- 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
这个数据集为手语识别(Sign Language Recognition),识别500个类别的手语单词。数据集包含了超过11万的样本,每个样本都包含了25个人体关键点的位置轨迹。
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) |
FlyAI挑战奖 |
所有挑战者 |
奖金获取标准:60<Score 按照得分比例获取奖金池金额 |
新框架奖励 |
所有人 |
项目中首次使用排行榜中未出现的新框架搭建模型,可获得60FAI币额外积分奖励 |
赛事主题和数据说明
赛题描述
通过迭代自己的算法模型并提交训练,获取奖金池高额奖金。小提示:抢先更新算法排行榜,有更大机会获取高额奖金哦
数据来源
SLR1
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 |
path |
string |
不为空 |
记录轨迹的文件路径,每一行一个视频帧中的25个人体关键点 |
label |
string |
不为空 |
类别 |
参考文献:
[1]Chinese Sign Language Recognition Dataset
评审标准
算法输入输出格式
输入字段:
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 60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256,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为94.89。
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93.68。
batch数据为512,循环次数为4000次,通过在线上环境完成训练,模型最优精度评分为93.05。
4
batch数据为256,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为91.00。
5
batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为81.91。
6
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64.62。
7
batch数据为64,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63.56。
8
batch数据为1000,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52.22。
9
batch数据为800,循环次数为1600次,通过在线上环境完成训练,模型最优精度评分为49.17。
10
batch数据为16,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36.51。
11
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为21.41。
12
batch数据为512,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7.65。
13
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为6.25。
14
batch数据为256,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为3.25。
15
batch数据为512,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2.17。
16
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为1.54。
17
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1.54。
18
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1.54。
19
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1.54。
20
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1.54。
21
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1.54。
22
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1.54。
23
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1.54。
24
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1.54。
25
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1.54。
26
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1.54。
27
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1.54。
28
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1.54。
29
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1.54。
30
batch数据为80,循环次数为80次,通过在线上环境完成训练,模型最优精度评分为1.54。
31
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1.54。
32
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1.54。
33
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1.54。
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1.54。
35
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1.54。
36
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1.54。
37
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1.54。
38
batch数据为128,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1.54。
39
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1.54。
40
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1.54。
41
batch数据为16,循环次数为13次,通过在线上环境完成训练,模型最优精度评分为1.54。
42
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1.54。
43
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1.54。
44
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1.54。
45
batch数据为256,循环次数为1500次,通过在线上环境完成训练,模型最优精度评分为1.54。
46
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1.54。
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1.54。
48
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1.54。
49
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1.54。
50
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1.54。
51
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1.54。
52
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1.54。
53
batch数据为2,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1.54。
54
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1.54。
55
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1.54。
56
batch数据为64,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为1.37。
57
batch数据为128,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为0.40。
58
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0.33。
59
batch数据为32,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为0.28。
60
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0.27。
61
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0.23。
62
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0.20。
63
batch数据为128,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0.00。
2019-04-02
- 梯度下降
-
模型得分为93.68,本次获得实时奖励奖金为555元
2019-04-02 23:47:07
2019-04-02
- 梯度下降
-
模型得分为92.57,本次获得实时奖励奖金为358元
2019-04-02 11:42:25
- 善假于物
-
模型得分为92.18,本次获得实时奖励奖金为179元
2019-04-02 08:47:48
2019-04-01
- 樊^2 = -1
-
模型得分为0.28,本次获得实时奖励奖金为10元
2019-04-01 19:57:25
- 看你很6哦
-
模型得分为0.33,本次获得实时奖励奖金为10元
2019-04-01 18:47:34
2019-03-31
- 善假于物
-
模型得分为86.39,本次获得实时奖励奖金为562元
2019-03-31 08:01:06
- RandomYC
-
模型得分为7.08,本次获得实时奖励奖金为10元
2019-03-31 04:02:44
2019-03-30
- Hallo
-
模型得分为0.2,本次获得实时奖励奖金为10元
2019-03-30 21:46:26
- 梯度下降
-
模型得分为53.03,本次获得实时奖励奖金为10元
2019-03-30 18:44:19
- 善假于物
-
模型得分为4.36,本次获得实时奖励奖金为10元
2019-03-30 17:31:07
- trick_or_treat
-
模型得分为1.01,本次获得实时奖励奖金为10元
2019-03-30 14:33:12
2019-03-30
- 你猜猜我是谁
-
模型得分为16.62,本次获得实时奖励奖金为10元
2019-03-30 03:03:40
- cclxx
-
模型得分为45.47,本次获得实时奖励奖金为10元
2019-03-30 02:34:51
- zhiduanqingchang
-
模型得分为6.25,本次获得实时奖励奖金为10元
2019-03-30 01:17:14
- lyming
-
模型得分为18.61,本次获得实时奖励奖金为10元
2019-03-30 00:07:15
- 玄学上分
-
模型得分为21.41,本次获得实时奖励奖金为10元
2019-03-29 22:09:25