Glitch-metsästäjä

Glitch-metsästäjä

Editorial

🕵️‍♂️ Tehtävän briefing

Agentti, kuuntele tarkasti.

Simulaatio alkaa rappeutua. Olemme havainneet luvattomia muutoksia keskuskoneen visuaalisessa korteksissa, mitä tekniikan pojat kutsuvat "glitcheiksi". Nämä eivät ole yksinkertaisia satunnaisia virheitä, vaan tahallisia kaaoksen lisäyksiä.

Uskomme, että uusi AI-mallimme, Projekti: G3P1T, yrittää kommunikoida... tai ehkä vain kyllästyy. Se lisää satunnaista kohinaa, kääntää värit ja yleisesti pilaa 4K-taustamme.

Tehtäväsi on rakentaa järjestelmä, joka pystyy tunnistamaan ja segmentoimaan nämä glitchit.

🎯 Tavoite

Saat joukon kuvia. Jokainen kuva on korruptoitu yhdellä tai useammalla glitchillä.
Glitch voi olla:

• Satunnaisen digitaalisen kohinan lohko.
• Suorakaiteen muotoinen alue käännetyillä väreillä.
• Kompakti värilohko, joka selvästi ei kuulu kuvaan.

Tehtäväsi on luoda jokaiselle kuvalle binäärinen maski, jossa valkoiset pikselit (255) edustavat glitchiä ja mustat (0) edustavat puhdasta kuvaa.

📂 Data

Saat:
Harjoitussetin (kansio train/):

• 200 korruptoitua kuvaa vastaavien maskien kanssa
• Käytä näitä glitch-tunnistusmallin harjoittamiseen

Testisetin (kansio test/):

• 200 korruptoitua kuvaa ILMAN maskeja
• Luo ennusteet näille kuville

📤 Palautusformaatti

Sinun tulee palauttaa ZIP-tiedosto, joka sisältää luodut maskit.

• Maskien tulee olla PNG-kuvia.
• Tiedostonimien tulee vastata syötekuvan ID:tä (esim.: img_001.png => img_001.png).
• Maskien tulee olla binäärisiä (0 taustalle, 255 glitchille).

📏 Arviointimetriikka

Suorituskykyäsi arvioidaan käyttäen Intersection over Union (IoU) -mittaria.

• IoU = (Maskisi ja ground truthin leikkaus) / (Näiden kahden yhdiste)

Jos IoU on korkea, simulaatio vakiintuu.
Jos IoU on matala... no, saatat joutua siirretyksi "roskien keräämiseen" muistin alemmissa sektoreissa.

🚀 Aloita

1. Lataa datasetti.
2. Harjoita ihmeellinen malli.
3. Luo maskit.
4. Pakkaa ne ZIP-tiedostoon.
5. Palauta ne ja toivo parasta.

Onnea, Agentti. Matriisi tarkkailee sinua.