Matching af toiletpiktogrammer

Matching af toiletpiktogrammer

Problembeskrivelse

Denne opgave fokuserer på træning af en model til at lære forholdet mellem mandlige og kvindelige toiletpiktogrammer fra det samme toilet. Baseret på mærkede træningsdata skal du træne en matchingmodel, som givet et forespørgselsbillede finder dets modstykke af det modsatte køn (f.eks. matche et mandligt piktogram fra det beskårne billede med det kvindelige modstykke fra det originale billede), med den begrænsning at begge piktogrammer kommer fra det samme toilet.

For eksempel, for et forespørgselsbillede (dvs. et mandligt piktogram i det beskårne billede) vist nedenfor i Fig. 1, er dets tilsvarende modstykke vist i Fig. 2 (dvs. et kvindeligt piktogram i det originale billede, som er fra det samme toilet).

Figur 1	Figur 2

Datasæt

Træningssæt

Dette datasæt kan bruges til træning af modellen. Mappestruktur:

1train/ 2├── crop/ # Beskårne piktogrammer 3│ ├── female/ 1.png, 2.png, ... 4│ └── male/ 5└── orig/ # Originale piktogrammer6    ├── female/7    └── male/

Hver undermappe indeholder piktogrammer navngivet fra 1.png til 82.png, hvor nummeret angiver toilet-ID'et. For hvert toilet er der fire billeder (bemærk at fire billeder fra det samme toilet vil have det samme unikke ID i alle fire undermapper):

• crop/female/i.png → Beskåret kvindepiktogram
• crop/male/i.png → Beskåret mandspiktogram
• orig/female/i.png → Originalt kvindeligt piktogram
• orig/male/i.png → Originalt mandligt piktogram

Validerings- og testsæt

Valideringssættet (validation_set) og testsættet (test_set) indeholder to undermapper med følgende struktur:

1validation_set/2├── query/ # Beskårne piktogrammer der skal matches 3└── gallery/ # Originale kandidatpiktogrammer

1test_set/ 2├── query/ # Beskårne piktogrammer der skal matches 3└── gallery/ # Originale kandidatpiktogrammer

hvor

• query/ - beskårne piktogrammer der skal matches;
• gallery/ - sæt af originale piktogrammer at matche fra;
• Alle billeder er i .png format.
• Valideringssættet har 10 billeder i query/ mappen, og testsættet har 30 billeder i sin query/ mappe.

Bemærkninger:

• I modsætning til den foreslåede opdeling for træningssættet er filnavnene i query/ og gallery/ nummereret og blandet uafhængigt, hvilket betyder at matching ikke kan baseres på ID'er.
• For hvert beskåret piktogram i query/ er der præcis to originaler i gallery/ (en mand, en kvinde fra det samme toilet), hvilket betyder at len(gallery)=2*len(query).

Opgave

For hvert billede i query/ mappen skal du forudsige billedet fra gallery/ som:

• Er af modsat køn og kommer fra det samme toilet.

Denne matching skal udføres ved hjælp af den trænede model.

Indsendelsesfil

Du skal generere en submission.csv fil der indeholder følgende:

1image_path, label2dataset/validation_set/query/1.png, 73dataset/test_set/query/1.png, 24...

hvor:

• image_path er stien til billedet fra query/ som forudsigelsen laves for (tages fra test.csv)
• label er nummeret som billedet fra gallery/ der matches med det fra query indeholder i sin titel.

Score

Evalueringsmetrikken vil være klassifikationsnøjagtighed, defineret som andelen af korrekt forudsagte prøver ud af det samlede antal evaluerede prøver.

Den endelige score beregnes baseret på den opnåede nøjagtighed ved hjælp af følgende regler:

• accuracy ≥ 0.9 → 100 point
• accuracy ≤ 0.5 → 0 point
• For mellemliggende værdier tildeles proportional score mellem 0 og 100.