- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
室内场景识别在计算机视觉领域是一个具有挑战性的问题，大多数适用于室外场景的分类模型在室内领域的表现都比较差，其困难在于尽管某些室内场景可以通过全局空间特征进行较好的描述，但其他一些场景需要通过其具体所包含的对象特征才能对该场景进行较好的描述。因此如何提取图像全局特征和局部特征来进行精确预测是本赛题的难点。
在本数据集一共包括67个室内场景类别，总共15620张图片，每个类别至少有100张图像，其中训练集、验证集和测试集划分比例为6:2:2.
参赛须知
参赛时间: 本次竞赛无时间限制，长期有效开放
参赛方式
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前，团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人，提交相似结果文件，取消双方所有人员参赛资格
- 多开小号报名、提交，一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中，通过脚本获取比赛数据，成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练，成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型，使用非官方验证预训练模型，成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 |
获奖人数 |
奖金额度说明(按最终得分评判) |
| 参与奖（总奖金20%） |
所有人 |
根据基线得分与100分之间，分成5个奖金区间；不同得分区间获得相应的竞赛奖金。 |
| 突破奖（总奖金10%） |
所有人 |
更新排行榜最高分数，获得相应的竞赛奖金 |
| 排名奖（总奖金70%） |
月赛前5名 |
奖金发放最终以月为单位，前5名获奖占比以K系数表示，分别为：0.45，0.25，0.15，0.1，0.05 |
| 不同框架奖励 |
所有人 |
获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
赛题描述
通过实现算法并提交训练，获取奖金池奖金。小提示：抢先更新算法排行榜，有更大机会获取高额奖金哦！
数据描述
由于需要提交代码作品在云端进行训练，参赛数据集不对外开放。仅提供调试数据。
字段说明：
| 文件名 |
字段名称 |
字段类型 |
备注 |
| image_path |
string |
不为空 |
图片的相对路径 |
| label |
string |
不为空 |
图片的对应类别 |
评审标准
算法输入输出格式
输入字段：
image_path,
输出字段：
label,
评审指标说明
- 准确率（Accuracy）：对于给定的测试数据集，预测正确的样本数与实际总样本数之比
- True，表示预测正确的样本数数量
- Total Number of Samples，表示实际总样本数数量
- 计算公式如下：
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet等。
Q:怎么参加比赛，需不需要提交CSV文件？
- FlyAI竞赛平台提供免费云端GPU资源，报名后可以使用自己熟练的框架，修改main.py中的网络结构和processor.py中的数据处理；仅部分赛题支持CSV方式提交，请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法，调用模型得出评分。
超过 85分 的成绩会在48小时内更新到排行榜，不要着急哦！
batch数据为64，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为87.68。
batch数据为16，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为86.30。
batch数据为64，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为86.08。
4
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为86.04。
5
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为85.69。
6
batch数据为256，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为85.37。
7
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为85.08。
8
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为85.02。
9
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为84.83。
10
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为83.87。
11
batch数据为32，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为83.39。
12
batch数据为32，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为83.35。
13
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为83.19。
14
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为81.95。
15
batch数据为34，循环次数为8次，通过在线上环境完成训练，模型最优精度评分为81.72。
16
batch数据为1，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为81.05。
17
batch数据为50，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为80.51。
18
batch数据为25，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为80.41。
19
batch数据为256，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为79.29。
20
batch数据为32，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为79.10。
21
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为78.46。
22
batch数据为32，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为77.75。
23
batch数据为128，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为77.75。
24
batch数据为128，循环次数为12次，通过在线上环境完成训练，模型最优精度评分为77.05。
25
batch数据为32，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为76.63。
26
batch数据为50，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为76.22。
27
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为75.83。
28
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为75.38。
29
batch数据为128，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为75.06。
30
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为74.84。
31
batch数据为96，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为74.81。
32
batch数据为32，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为73.98。
33
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为73.34。
34
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为73.27。
35
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为73.11。
36
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为72.38。
37
batch数据为128，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为72.34。
38
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为72.18。
39
batch数据为128，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为72.09。
40
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为68.50。
41
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为65.52。
42
batch数据为16，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为56.21。
43
batch数据为32，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为54.87。
44
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为51.31。
45
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为46.22。
46
batch数据为32，循环次数为35次，通过在线上环境完成训练，模型最优精度评分为42.25。
47
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为41.55。
48
batch数据为128，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为33.55。
49
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为33.29。
50
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为32.27。
51
batch数据为64，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为30.06。
52
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为29.48。
53
batch数据为25，循环次数为35次，通过在线上环境完成训练，模型最优精度评分为28.01。
54
batch数据为128，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为27.69。
55
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为26.98。
56
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.45。
57
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.32。
58
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为24.65。
59
batch数据为30，循环次数为526次，通过在线上环境完成训练，模型最优精度评分为24.26。
60
batch数据为64，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为22.06。
61
batch数据为32，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为21.86。
62
batch数据为500，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为21.73。
63
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为21.70。
64
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为17.41。
65
batch数据为34，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为17.13。
66
batch数据为64，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为12.96。
67
batch数据为120，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为12.61。
68
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为12.52。
69
batch数据为8，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为10.76。
70
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为10.72。
71
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为9.70。
72
batch数据为32，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为5.19。
73
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为4.77。
74
batch数据为32，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为4.61。
75
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为4.61。
76
batch数据为32，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为4.61。
77
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为4.61。
78
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
79
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
80
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为3.10。
81
batch数据为5，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为3.10。
82
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
83
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
84
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
85
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
86
batch数据为8，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为3.10。
87
batch数据为1000，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为3.10。
88
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
89
batch数据为64，循环次数为128次，通过在线上环境完成训练，模型最优精度评分为3.10。
90
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为3.10。
91
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
92
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
93
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为3.10。
94
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
95
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为3.10。
96
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
97
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
98
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为3.10。
99
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为3.10。
100
batch数据为32，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为3.10。
101
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
102
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为3.10。
103
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
104
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
105
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
106
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
107
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
108
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
109
batch数据为1，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
110
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
111
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为3.10。
112
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
113
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
114
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
115
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
116
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
117
batch数据为128，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为3.10。
118
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为3.10。
119
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
120
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
121
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
122
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
123
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
124
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为3.10。
125
batch数据为2，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为3.10。
126
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
127
batch数据为128，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为3.10。
128
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
129
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
130
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为3.10。
131
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
132
batch数据为32，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为3.10。
133
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
134
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为3.10。
135
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
136
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
137
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为3.10。
138
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
139
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
140
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
141
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
142
batch数据为16，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为3.10。
143
batch数据为64，循环次数为16次，通过在线上环境完成训练，模型最优精度评分为3.10。
144
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为3.10。
145
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
146
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为3.10。
147
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
148
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为3.10。
149
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为1.06。
- 快来追我呀
-
模型得分为86.08，本次获得排名奖奖金为315元
2019-12-20 15:00:02
- gboy
-
模型得分为86.3，本次获得排名奖奖金为525元
2019-12-20 15:00:02
- 善假于物
-
模型得分为86.04，本次获得排名奖奖金为210元
2019-12-20 15:00:02
- 大木淡漠
-
模型得分为87.68，本次获得排名奖奖金为945元
2019-12-20 15:00:02
- WYC
-
模型得分为85.69，本次获得排名奖奖金为105元
2019-12-20 15:00:02
- 大木淡漠
-
模型得分为87.68，本次获得实时奖励奖金为6元
2019-12-18 11:08:26
- 大木淡漠
-
模型得分为87.1，本次获得实时奖励奖金为4元
2019-12-16 11:40:57
- 大木淡漠
-
模型得分为86.62，本次获得实时奖励奖金为5元
2019-12-16 11:38:22
- 善假于物
-
模型得分为86.04，本次获得实时奖励奖金为3元
2019-12-10 19:16:19
- WYC
-
模型得分为85.66，本次获得实时奖励奖金为5.5元
2019-12-09 16:49:49
- siaya
-
模型得分为85.12，本次获得实时奖励奖金为4元
2019-12-06 11:50:09
- 前排板凳瓜子
-
模型得分为85.02，本次获得实时奖励奖金为88元
2019-12-02 10:34:18
