Slavne slike

Slavne slike

Kontekst

Ko se nanašamo na slavne slike, moramo upoštevati tudi objektivne značilnosti, kot so velikost platna, tip čopiča, s katerim je bila slika naslikana, vizualna kompleksnost ali gostota barv, poleg njihove umetniške kakovosti. Avtomatska ocena vrednosti in identifikacija sloga slikarja lahko pomaga zbiralcem in muzejem pri analizi velikih zbirk del.

Za reševanje te naloge boste imeli na voljo dve datoteki:

• train.csv – vsebuje vse spremenljivke, vključno z target_price, za učenje modelov
• test.csv – vsebuje iste spremenljivke, brez stolpca target_price, podatki iz te datoteke se uporabljajo za generiranje napovedi

Opis nabora podatkov

Zahteve

Za to nalogo morate rešiti 3 naloge.

Naloga 1 – Ocena umetniške pristnosti (20 točk)

Nedavno je skupina raziskovalcev na področju umetne inteligence in umetnosti odkrila revolucionaren algoritem. Ta lahko na podlagi objektivnih značilnosti slike oceni, ali je slika zagotovo pristna ali ne.

Za vsako sliko algoritem izračuna Oceno Umetniške Pristnosti (OUP) z uporabo naslednjih pravil:

1. Če stroke_density > 0.7, dodaj 2 točki k OUP.
2. Če complexity > 0.65, dodaj 2 točki k OUP.
3. Če uses_gold_leaf = True, dodaj 1 točko k OUP.
4. Če has_signature = True, dodaj 1 točko k OUP.
5. Če num_colors > 65 in colorfulness > 0.7, dodaj 2 točki k OUP.
6. Če contrast < 0.4 ali brightness < 0.45 ali brightness > 0.75, odštej 1 točko od OUP.

Po izračunu ocene slika dobi oznako:

• Pristna: če OUP ≥ 5

• Negotova: če OUP < 5

• Answer v datoteki za oddajo bo Pristna ali Negotova za vsako sliko iz test.csv.

Naloga 2 – Grupiranje slik po slogu slikarja (40 točk)

Znano je, da so slike v naboru podatkov ustvarili 5 slavnih slikarjev, vendar informacija o slikarju ni na voljo.

Vaša naloga je, da vsaki sliki iz test.csv dodelite numerični ID med 0 in 4, tako da slike istega slikarja dobijo isti ID.

• Answer v datoteki za oddajo bo numerični ID (0, 1, 2, 3 ali 4) za vsako sliko iz test.csv.
• Vse slike istega slikarja bi morale imeti isti ID.

Naloga 3 – Ocenjevanje cene slik (40 točk)

Za vsako sliko, vključeno v train.csv, imamo določeno ceno (stolpec target_price). Na podlagi informacij, dostopnih v train.csv, naučite model umetne inteligence, ki bo sposoben napovedati ceno za slike iz test.csv.

Format datoteke za oddajo

Datoteka submission.csv mora vsebovati:

• SampleID - prevzet iz datoteke test.csv;
• subtaskID - lahko je: Task1, Task2, Task3;
• Answer - izračunana ali ocenjena vrednost za sliko, označeno z SampleID pri nalogi, označeni z subtaskID.

Ocenjevanje

Podnaloga 1 – Ocena pristnosti

Za to podnalogo se uporablja natančno primerjanje med poslanimi odgovori (Pristna / Negotova) in pravilnimi oznakami.

• Maksimalne točke se dodelijo samo če so vsi odgovori pravilni.
• Če obstajajo napačni odgovori, se točke dodelijo proporcionalno, z uporabo pravila treh.

Podnaloga 2 – Grupiranje slikarjev

Ocenjevanje se izvaja z uporabo Adjusted Rand Index (ARI).

• Maksimalne točke se dodelijo, če:

• Za vrednosti pod tem pragom se točke dodelijo proporcionalno.

Podnaloga 3 – Napoved cene

Ocenjevanje se izvaja z uporabo Mean Absolute Error (MAE).

Pravila:

• MAE ≤ 500 → maksimalne točke
• MAE ≥ 2000 → 0 točk
• Za vrednosti med tema dvema pragoma se točke dodelijo proporcionalno.