Słynne obrazy

Słynne obrazy

Kontekst

Kiedy odnosimy się do słynnych obrazów, musimy uwzględniać również obiektywne charakterystyki takie jak rozmiar płótna, typ pędzla, którym został namalowany, złożoność wizualna czy gęstość kolorów, oprócz ich jakości artystycznej. Automatyczna ocena wartości i identyfikacja stylu malarza mogą pomóc kolekcjonerom i muzeom w analizie dużych kolekcji dzieł.

Do rozwiązania tego problemu będziecie mieli do dyspozycji dwa pliki:

• train.csv – zawiera wszystkie zmienne, włącznie z target_price, do trenowania modeli
• test.csv – zawiera te same zmienne, bez kolumny target_price, a dane z tego pliku są używane do generowania predykcji

Opis zbioru danych

Wymagania

Dla tego problemu macie do rozwiązania 3 zadania.

Zadanie 1 – Wynik autentyczności artystycznej (20 punktów)

Niedawno rewolucyjny algorytm został odkryty przez grupę badaczy w dziedzinie sztucznej inteligencji i sztuki. Może on ocenić, na podstawie obiektywnych charakterystyk obrazu, czy obraz jest z pewnością autentyczny czy nie.

Dla każdego obrazu algorytm oblicza Wynik Autentyczności Artystycznej (WAA) używając następujących reguł:

1. Jeśli stroke_density > 0.7, dodaj 2 punkty do WAA.
2. Jeśli complexity > 0.65, dodaj 2 punkty do WAA.
3. Jeśli uses_gold_leaf = True, dodaj 1 punkt do WAA.
4. Jeśli has_signature = True, dodaj 1 punkt do WAA.
5. Jeśli num_colors > 65 i colorfulness > 0.7, dodaj 2 punkty do WAA.
6. Jeśli contrast < 0.4 lub brightness < 0.45 lub brightness > 0.75, odejmij 1 punkt od WAA.

Po obliczeniu wyniku obraz otrzymuje etykietę:

• Autentyczny: jeśli WAA ≥ 5

• Niepewny: jeśli WAA < 5

• Answer w pliku submisji będzie Autentyczny lub Niepewny dla każdego obrazu z test.csv.

Zadanie 2 – Grupowanie obrazów według stylu malarza (40 punktów)

Wiadomo, że obrazy w zbiorze danych zostały wykonane przez 5 słynnych malarzy, ale informacja o malarzu nie jest dostępna.

Waszym zadaniem jest przypisanie każdemu obrazowi z test.csv ID numerycznego między 0 a 4, tak aby obrazy wykonane przez tego samego malarza otrzymały to samo ID.

• Answer w pliku submisji będzie ID numerycznym (0, 1, 2, 3 lub 4) dla każdego obrazu z test.csv.
• Wszystkie obrazy wykonane przez tego samego malarza powinny mieć to samo ID.

Zadanie 3 – Szacowanie ceny obrazów (40 punktów)

Dla każdego obrazu zawartego w train.csv mamy określoną cenę (kolumna target_price). Na podstawie informacji dostępnych w train.csv, wytrenujcie model Sztucznej Inteligencji, który będzie w stanie przewidzieć dla obrazów z test.csv cenę.

Format pliku submisji

Plik submission.csv musi zawierać:

• SampleID - pobrany z pliku test.csv;
• subtaskID - może być: Task1, Task2, Task3;
• Answer - wartość obliczona lub oszacowana dla obrazu wskazanego przez SampleID w zadaniu wskazanym przez subtaskID.

Ocena

Podzadanie 1 – Wynik autentyczności

Dla tego podzadania używa się porównania dokładnego między przesłanymi odpowiedziami (Autentyczny / Niepewny) a poprawnymi etykietami.

• Maksymalny punktaż przyznawany jest tylko jeśli wszystkie odpowiedzi są poprawne.
• Jeśli istnieją błędne odpowiedzi, punktaż przyznawany jest proporcjonalnie, używając reguły trzech prostej.

Podzadanie 2 – Grupowanie malarzy

Ocena odbywa się za pomocą Adjusted Rand Index (ARI).

• Maksymalny punktaż przyznawany jest jeśli:

• Dla wartości poniżej tego progu punktaż przyznawany jest proporcjonalnie.

Podzadanie 3 – Predykcja ceny

Ocena odbywa się za pomocą Mean Absolute Error (MAE).

Reguły:

• MAE ≤ 500 → maksymalny punktaż
• MAE ≥ 2000 → 0 punktów
• Dla wartości między tymi dwoma progami punktaż przyznawany jest proporcjonalnie.