צייד הבאגים

צייד הגליצ'ים

מאמר מערכת

🕵️‍♂️ תדרוך המשימה

סוכן, הקשב בקשב רב.

הסימולציה מתחילה להתדרדר. זיהינו שינויים לא מורשים בקורטקס הוויזואלי של המיינפריים, מה שהחבר'ה מהטכני קוראים "גליצ'ים". אלה לא שגיאות אקראיות פשוטות, אלה הכנסות מכוונות של כאוס.

אנחנו מאמינים שמודל הAI החדש שלנו, פרויקט: G3P1T, מנסה לתקשר... או אולי פשוט משתעמם. הוא מוסיף רעש אקראי, הופך צבעים ובאופן כללי מקלקל את הרקעים ה-4K שלנו.

המשימה שלך היא לבנות מערכת שתוכל לזהות ולמקטע את הגליצ'ים האלה.

🎯 המטרה

תקבל סט של תמונות. כל תמונה הושחתה עם גליץ' אחד או יותר.
גליץ' יכול להיות:

• בלוק של רעש דיגיטלי אקראי.
• אזור מלבני עם צבעים הפוכים.
• בלוק קומפקטי של צבע שבבירור לא שייך לתמונה.

המשימה שלך היא ליצור עבור כל תמונה מסכה בינארית, בה הפיקסלים הלבנים (255) מייצגים את הגליץ', והשחורים (0) מייצגים את התמונה הנקייה.

📂 הנתונים

תקבל:
סט האימון (תיקיית train/):

• 200 תמונות מושחתות עם המסכות המתאימות
• השתמש בהן כדי לאמן את מודל זיהוי הגליצ'ים שלך

סט הבדיקה (תיקיית test/):

• 200 תמונות מושחתות ללא מסכות
• צור תחזיות עבור התמונות האלה

📤 פורמט ההגשה

עליך להגיש קובץ ZIP המכיל את המסכות שנוצרו.

• המסכות חייבות להיות תמונות PNG.
• שמות הקבצים חייבים להתאים לID של תמונת הקלט (לדוגמה: img_001.png => img_001.png).
• המסכות חייבות להיות בינאריות (0 לרקע, 255 לגליץ').

📏 מדד ההערכה

הביצועים שלך יוערכו באמצעות Intersection over Union (IoU).

• IoU = (החיתוך בין המסכה שלך לground truth) / (האיחוד בין השתיים)

אם ה-IoU גבוה, הסימולציה מתייצבת.
אם ה-IoU נמוך... ובכן, אתה עלול להיות מועבר ל"איסוף אשפה" בסקטורים התחתונים של הזיכרון.

🚀 התחלה

1. הורד את מאגר הנתונים.
2. אמן מודל מופלא.
3. צור את המסכות.
4. ארכב אותן לקובץ ZIP.
5. הגש אותן וקווה לטוב.

בהצלחה, סוכן. המטריקס עוקבת אחריך.