Lovac na Glitch-ove

Lovac na Glitch-ove

Editorial

🕵️‍♂️ Briefing Misije

Agente, slušaj pažljivo.

Simulacija počinje da se degradira. Detektovali smo neautorizovane izmene u vizuelnom korteksu mainframe-a, što tehničari nazivaju "glitch-ovi". Ovo nisu obične nasumične greške, već namerne umetke haosa.

Verujemo da naš novi AI model, Projekat: G3P1T, pokušava da komunicira... ili se možda samo dosađuje. Dodaje nasumični šum, obrće boje i, generalno, kvari naše 4K pozadine.

Tvoja misija je da izgradiš sistem koji može da identifikuje i segmentira ove glitch-ove.

🎯 Cilj

Dobićeš set slika. Svaka slika je bila pokvarena sa jednim ili više glitch-ova.
Glitch može biti:

• Blok digitalnog nasumičnog šuma.
• Pravougaona oblast sa obrnutim bojama.
• Kompaktni blok boje koji očigledno ne pripada slici.

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

📂 Podaci

Dobićeš:
Set za Obuku (folder train/):

• 200 pokvarenih slika sa odgovarajućim maskama
• Koristi ih za obuku svog modela za detekciju glitch-ova

Test Set (folder test/):

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

📤 Format Predaje

Moraš da predaš ZIP fajl koji sadrži generisane maske.

• Maske moraju biti PNG slike.
• Imena fajlova moraju da odgovaraju 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 = (Presek između tvoje maske i ground truth) / (Unija između njih dve)

Ako je IoU veliki, simulacija se stabilizuje.
Ako je IoU mali... pa, mogao bi biti prebačen na „sakupljanje smeća" u donjim sektorima memorije.

🚀 Počni

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

Mnogo sreće, Agente. Matrica te posmatra.