Chargement...
Problème #26
Auteur:Mihai Nan
Difficulté
Votre meilleur score
N/D
On nous donne un ensemble de données contenant des séquences de mouvements humains, chacune composée de plusieurs images (FrameNumber).
Chaque image comprend les positions 3D de 25 articulations du corps, représentées par les coordonnées :
J1X, J1Y, J1Z, ..., J25X, J25Y, J25Z.
Chaque image est associée à un identifiant de séquence (IDSample) et deux étiquettes :
Action — l'action effectuéeCamera — la caméra qui a enregistré la séquencePour mieux comprendre la distribution spatiale des 25 articulations :
Pour chaque IDSample unique, déterminez combien d'images sont disponibles dans l'ensemble de données de test (test_data.csv).
Cette analyse aide à comprendre la distribution spatio-temporelle des données pour chaque action.
En utilisant les données d'entraînement, entraînez un modèle de classification capable de reconnaître l'action effectuée dans une séquence d'images.
Appliquez le modèle aux données de test et, pour chaque IDSample unique, prédisez l'action la plus probable.
La performance du modèle sera évaluée à l'aide de la précision (accuracy), définie comme :
Pour obtenir le maximum de points, la précision atteinte doit être d'au moins 0,965.
En utilisant les données d'entraînement, entraînez un modèle capable de prédire quelle caméra a enregistré une séquence d'images donnée.
Appliquez le modèle à l'ensemble de test et spécifiez, pour chaque IDSample, la caméra prédite comme étant la plus probable.
La performance du modèle est à nouveau évaluée à l'aide de la précision (accuracy), définie comme :
Pour obtenir le maximum de points, la précision atteinte doit être d'au moins 0,8.
Le résultat final doit être un fichier CSV nommé output.csv, contenant exactement 3 colonnes :
| subtaskID | datapointID | answer |
|---|---|---|
| 1 | IDSample de test_data.csv | réponse correspondante pour cette sous-tâche |