Lovac na Glitch-ove

Lovac na Glitch-ove

Editorial

🕵️‍♂️ Briefing Misije

Agente, slušaj pažljivo.

Simulacija počinje da se degradira. Detektovali smo neautorizovane izmjene u vizualnom korteksu mainframe-a, što tehničari zovu "glitch-ovi". Ovo nisu obične slučajne greške, već namjerne umetke haosa.

Vjerujemo da naš novi AI model, Projekt: G3P1T, pokušava da komunicira... ili se možda samo dosađuje. Dodaje slučajan šum, obrće boje i, općenito, kvari naše 4K pozadine.

Tvoja misija je da izgradiš sistem koji može identificirati i segmentirati ove glitch-ove.

🎯 Cilj

Primit ćeš set slika. Svaka slika je bila pokvarena s jednim ili više glitch-ova.
Glitch može biti:

• Blok digitalnog slučajnog šuma.
• Pravokutna regija s obrnutim bojama.
• Kompaktan blok boje koji očito ne pripada slici.

Tvoj zadatak je da za svaku sliku generiraš binarnu masku, u kojoj bijeli pikseli (255) predstavljaju glitch, a crni (0) predstavljaju čistu sliku.

📂 Podaci

Primit ćeš:
Skup za Treniranje (mapa train/):

• 200 pokvarenih slika s odgovarajućim maskama
• Koristi ih za treniranje svog modela za detekciju glitch-ova

Skup za Testiranje (mapa test/):

• 200 pokvarenih slika BEZ maski
• Generiraj predikcije za ove slike

📤 Format Predaje

Moraš predati ZIP datoteku koja sadrži generirane maske.

• Maske moraju biti PNG slike.
• Nazivi datoteka moraju odgovarati ID-u ulazne slike (npr.: img_001.png => img_001.png).
• Maske moraju biti binarne (0 za pozadinu, 255 za glitch).

📏 Metrika Evaluacije

Tvoja performansa će biti evaluirana koristeći Intersection over Union (IoU).

• IoU = (Presjek između tvoje maske i ground truth) / (Unija između njih dvije)

Ako je IoU veliki, simulacija se stabilizira.
Ako je IoU mali... pa, možeš biti premješten na „skupljanje smeća" u donjim sektorima memorije.

🚀 Počni

1. Preuzmi dataset.
2. Treniraj čudesan model.
3. Generiraj maske.
4. Arhiviraj ih u ZIP.
5. Predaj ih i nadaj se najboljem.

Puno sreće, Agente. Matrica te prati.