野外動物監測圖像挑戰賽：預測捕捉到的野外圖像是否包含動物

野外相機能夠自動收集大量的圖像信息，不過不幸的是，收集到的大量圖片都是誤報，這些錯誤大多是由非動物引起的，比如草木的晃動。

本次比賽旨在預測白天和晚上從各個地點捕捉到的圖像是否包括動物，其主要的挑戰是推斷出數據集中不存在的野外相機的位置。另一個挑戰是某些圖像可能包含會觸發相機但是對結果毫無用處的信息，比如車輛和人。

比賽官網：

https://sites.google.com/view/fgvc5/competitions/fgvcx/iwildcam

賽事官方 Github 頁面：

https://github.com/visipedia/iwildcam_comp

數據

本次比賽的圖像數據包括總共 150735 張來自 65 個不同位置的相機的圖片和 16408 張來自 10 個新位置相機的在訓練時沒見過的照片。位置 ID 是針對所有圖像給出的，圖像子集來自最多 3 張圖像的短序列。本次比賽不提供元數據，但是元數據可以在圖像中提取。

注意事項

一般來講，參賽者只能使用提供的圖像訓練模型來分類圖像。官方不希望參賽者抓取網路上的圖像來訓練。預訓練模型可用於構建演算法（例如 ImageNet 預訓練模型，或 iNaturalist 2017/2018 預訓練模型）。上傳結果時，請用指定的訓練數據。

注釋格式

官方遵循 COCO 數據集（http://mscoco.org/dataset/#download）格式並加入了一些額外的欄位。每個訓練數據都有一個 category_id，其值為 0 時表示沒有動物，值為 1 時表示有動物。注釋以 JSON 格式儲存，並按以下方式組織：

{

"info": info,

"images": [image],

"categories": [category],

"annotations": [annotation]

}

info{

"year":int,

"version": str,

"description": str,

"contributor": str

"date_created": datetime

}

image{

"id": str,

"width":int,

"height":int,

"file_name": str,

"rights_holder": str,

"location":int

}

category{

"id":int,

"name": str

}

annotation{

"id": str,

"image_id": str,

"category_id":int

}

NLP 工程師入門實踐班：基於深度學習的自然語言處理

三大模塊，五大應用，手把手快速入門 NLP

海外博士講師，豐富項目經驗

演算法 + 實踐，搭配典型行業應用

隨到隨學，專業社群，講師在線答疑

新人福利

關注 AI 研習社（okweiwu），回復1領取

【超過 1000G 神經網路 / AI / 大數據，教程，論文】

教你用 Keras 做圖像識別！只會圖像檢測並不強力

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！