Vânătorul de Glitch-uri

Vânătorul de Glitch-uri

Editorial

🕵️‍♂️ Briefing Misiune

Agent, ascultă cu atenție.

Simularea începe să se degradeze. Am detectat modificări neautorizate în cortexul vizual al mainframe-ului, ceea ce băieții din tehnic numesc "glitch-uri". Acestea nu sunt simple erori aleatorii, sunt inserții deliberate de haos.

Credem că noul nostru model de AI, Proiect: G3P1T, încearcă să comunice... sau poate doar se plictisește. Adaugă noise aleatoriu, inversează culorile și, în general, strică fundalurile noastre 4K.

Misiunea ta este să construiești un sistem care să poată identifica și segmenta aceste glitch-uri.

🎯 Obiectivul

Vei primi un set de imagini. Fiecare imagine a fost coruptă cu unul sau mai multe glitch-uri.
Un glitch poate fi:

• Un bloc de zgomot digital aleatoriu.
• O regiune dreptunghiulară cu culori inversate.
• Un bloc compact de culoare care clar nu aparține imaginii.

Sarcina ta este să generezi pentru fiecare imagine o mască binară, în care pixelii albi (255) reprezintă glitch-ul, iar cei negri (0) reprezintă imaginea curată.

📂 Datele

Vei primi:
Setul de Antrenament (folderul train/):

• 200 imagini corupte cu măștile corespunzătoare
• Folosește-le pentru a antrena modelul tău de detectare a glitch-urilor

Setul de Test (folderul test/):

• 200 imagini corupte FĂRĂ măști
• Generează predicții pentru aceste imagini

📤 Formatul de Predare

Trebuie să predai un fișier ZIP care conține măștile generate.

• Măștile trebuie să fie imagini PNG.
• Numele fișierelor trebuie să corespundă cu ID-ul imaginii de intrare (ex.: img_001.png => img_001.png).
• Măștile trebuie să fie binare (0 pentru fundal, 255 pentru glitch).

📏 Metrica de Evaluare

Performanța ta va fi evaluată folosind Intersection over Union (IoU).

• IoU = (Intersecția dintre masca ta și ground truth) / (Uniunea dintre cele două)

Dacă IoU-ul este mare, simularea se stabilizează.
Dacă IoU-ul este mic... ei bine, ai putea fi mutat la „colectarea gunoiului” în sectoarele inferioare ale memoriei.

🚀 Începe

1. Descarcă datasetul.
2. Antrenează un model miraculos.
3. Generează măștile.
4. Arhivează-le într-un ZIP.
5. Predă-le și speră la ce e mai bun.

Mult succes, Agent. Matricea te urmărește.

1from sklearn.metrics import r2_score2from scipy.stats import pearsonr3​4def eval_metric(y_true, preds):5    r2 = r2_score(y_true, preds)6    return 100 * (max(0, r2) + abs(pearsonr(y_true, preds)[0])) / 2