Potrivirea pictogramelor toaletei

Descrierea problemei

Această sarcină se concentrează pe antrenarea unui model pentru a învăța relația dintre pictogramele toaletelor masculine și feminine din aceeași toaletă. Pe baza datelor de antrenament etichetate, trebuie să antrenați un model de potrivire care, având în vedere o imagine interogată, își găsește omologul de gen diferit (de exemplu, să potrivească o pictogramă masculină din imaginea decupată cu omologul feminin din imaginea originală), cu constrângerea ca ambele pictograme să provină din aceeași toaletă.

De exemplu, pentru o imagine de interogare (adică o pictogramă masculină în imaginea decupată) prezentată mai jos în Fig. 1, omologul său corespondent este prezentat în Fig. 2 (adică o pictogramă feminină în imaginea originală, care este din aceeași toaletă).

Figura 1	Figura 2

Set de date

Set de antrenare

Acest set de date poate fi folosit pentru antrenarea modelului. Structura directoarelor:

train/ 
├── crop/ # Pictograme decupate 
│ ├── female/ 1.png, 2.png, ... 
│ └── male/ 
└── orig/ # Pictograme originale
    ├── female/
    └── male/

Fiecare subfolder conține pictograme denumite de la 1.png la 82.png , unde numărul indică ID-ul toaletei. Pentru fiecare toaletă, există patru imagini (rețineți că patru imagini din aceeași toaletă vor avea același ID unic în toate cele patru subfoldere):

• crop/female/i.png → Pictogramă femeie decupată
• crop/male/i.png → Pictogramă bărbat decupat
• orig/female/i.png → Pictogramă originală feminină
• orig/male/i.png → Pictogramă masculină originală

Set de validare și testare

Setul de validare (validation_set) și setul de testare (test_set) conțin două subfoldere cu următoarea structură:

validation_set/
├── query/ # Pictograme decupate care vor fi potrivite 
└── gallery/ # Pictograme originale candidate

test_set/ 
├── query/ # Pictograme decupate care vor fi potrivite 
└── gallery/ # Pictograme originale candidate

unde

• query/ - pictograme decupate care trebuie să fie potrivite;
• gallery/ - set de pictograme originale din care să se potrivească;
• Toate imaginile sunt în format .png.
• Setul de validare are 10 imagini în folderul query/, iar setul de testare are 30 de imagini în folderul său query/.

Observații:

• Spre deosebire de divizarea propusă pentru setul de antrenare, numele fișierelor din query/ și gallery/ sunt numerotate și amestecate independent, ceea ce înseamnă că potrivirea nu se poate baza pe ID-uri.
• Pentru fiecare pictogramă decupată din query/ există exact două originale în gallery/ (un bărbat, o femeie din aceeași toaletă), ceea ce înseamnă că len(gallery)=2*len(query).

Sarcină

Pentru fiecare imagine din folderul query/, preziceți imaginea din gallery/ care:

• Este de sex opus și provine de la aceeași toaletă.

Această potrivire ar trebui realizată folosind modelul antrenat.

Fișierul de submisie

Va trebui să generați un fișier submission.csv care să conțină următoarele:

image_path, label
dataset/validation_set/query/1.png, 7
dataset/test_set/query/1.png, 2
...

unde:

• image_path este calea către imaginea din query/ pentru care este realizată predicția (este preluată din test.csv)
• label este numărul pe care îl conține în titlu imaginea din gallery/ care se împerechează cu cea din query.

Scor

Metrica de evaluare va fi acuratețea clasificării, definită ca proporția de eșantioane prezise corect din numărul total de eșantioane evaluate.

Punctajul final este calculat pe baza acurateței obținute folosind următoarele reguli:

• accuracy ≥ 0.9 → 100 puncte
• accuracy ≤ 0.5 → 0 puncte
• Pentru valorile intermediare se acordă punctaj proporțional între 0 și 100.