Dopasowywanie ikon toalety

Dopasowywanie piktogramów toalet

Opis problemu

To zadanie koncentruje się na trenowaniu modelu do nauki relacji między piktogramami toalet męskich i żeńskich z tej samej toalety. Na podstawie oznaczonych danych treningowych musisz wytrenować model dopasowywania, który dla danego obrazu zapytania znajdzie jego odpowiednik o przeciwnej płci (na przykład dopasuje męski piktogram z przyciętego obrazu z żeńskim odpowiednikiem z oryginalnego obrazu), z ograniczeniem, że oba piktogramy pochodzą z tej samej toalety.

Na przykład, dla obrazu zapytania (czyli męskiego piktogramu na przyciętym obrazie) przedstawionego poniżej na Rys. 1, jego odpowiadający odpowiednik jest przedstawiony na Rys. 2 (czyli żeński piktogram na oryginalnym obrazie, który pochodzi z tej samej toalety).

Rysunek 1	Rysunek 2

Zbiór danych

Zbiór treningowy

Ten zbiór danych może być używany do trenowania modelu. Struktura katalogów:

1train/ 2├── crop/ # Przycięte piktogramy 3│ ├── female/ 1.png, 2.png, ... 4│ └── male/ 5└── orig/ # Oryginalne piktogramy6    ├── female/7    └── male/

Każdy podfolder zawiera piktogramy nazwane od 1.png do 82.png, gdzie liczba oznacza ID toalety. Dla każdej toalety istnieją cztery obrazy (zauważ, że cztery obrazy z tej samej toalety będą miały ten sam unikalny ID we wszystkich czterech podfolderach):

• crop/female/i.png → Przycięty piktogram kobiety
• crop/male/i.png → Przycięty piktogram mężczyzny
• orig/female/i.png → Oryginalny piktogram żeński
• orig/male/i.png → Oryginalny piktogram męski

Zbiór walidacyjny i testowy

Zbiór walidacyjny (validation_set) i zbiór testowy (test_set) zawierają dwa podfoldery o następującej strukturze:

1validation_set/2├── query/ # Przycięte piktogramy, które będą dopasowywane 3└── gallery/ # Kandydaci oryginalnych piktogramów

1test_set/ 2├── query/ # Przycięte piktogramy, które będą dopasowywane 3└── gallery/ # Kandydaci oryginalnych piktogramów

gdzie

• query/ - piktogramy przycięte, które muszą być dopasowane;
• gallery/ - zbiór oryginalnych piktogramów do dopasowania;
• Wszystkie obrazy są w formacie .png.
• Zbiór walidacyjny ma 10 obrazów w folderze query/, a zbiór testowy ma 30 obrazów w swoim folderze query/.

Uwagi:

• W przeciwieństwie do proponowanego podziału dla zbioru treningowego, nazwy plików w query/ i gallery/ są numerowane i pomieszane niezależnie, co oznacza, że dopasowanie nie może opierać się na ID.
• Dla każdego przyciętego piktogramu z query/ istnieją dokładnie dwa oryginały w gallery/ (mężczyzna, kobieta z tej samej toalety), co oznacza, że len(gallery)=2*len(query).

Zadanie

Dla każdego obrazu z folderu query/, przewidź obraz z gallery/, który:

• Jest przeciwnej płci i pochodzi z tej samej toalety.

To dopasowanie powinno być realizowane używając wytrenowanego modelu.

Plik zgłoszenia

Będziesz musiał wygenerować plik submission.csv, który zawiera następujące:

1image_path, label2dataset/validation_set/query/1.png, 73dataset/test_set/query/1.png, 24...

gdzie:

• image_path to ścieżka do obrazu z query/, dla którego jest wykonywana predykcja (jest pobrana z test.csv)
• label to liczba, którą zawiera w tytule obraz z gallery/, który pasuje do tego z query.

Punktacja

Metryką ewaluacji będzie dokładność klasyfikacji, zdefiniowana jako proporcja poprawnie przewidzianych próbek z całkowitej liczby ocenianych próbek.

Końcowy wynik jest obliczany na podstawie uzyskanej dokładności używając następujących reguł:

• accuracy ≥ 0.9 → 100 punktów
• accuracy ≤ 0.5 → 0 punktów
• Dla wartości pośrednich przyznawane są punkty proporcjonalnie między 0 a 100.