赛题介绍
image
赛题名：室内用户运动时序数据分类
赛道：训练赛道
背景：随着数据量的不断积累，海量时序信息的处理需求日益凸显。作为时间序列数据分析中的重要任务之一，时间序列分类应用广泛且多样。时间序列分类旨在赋予序列某个离散标记。传统特征提取算法使用时间序列中的统计信息作为分类的依据。近年来，基于深度学习的时序分类取得了较大进展。基于端到端的特征提取方式，深度学习可以避免繁琐的人工特征设计。如何对时间序列中进行有效的分类,从繁芜丛杂的数据集中将具有某种特定形态的序列归属到同一个集合，对于学术研究及工业应用具有重要意义。
任务：基于上述实际需求以及深度学习的进展，本次训练赛旨在构建通用的时间序列分类算法。通过本赛题建立准确的时间序列分类模型，希望大家探索更为鲁棒的时序特征表述方法。
数据简介
基于上述实际需求以及深度学习的进展，本次训练赛旨在构建通用的时间序列分类算法。通过本赛题建立准确的时间序列分类模型，希望大家探索更为鲁棒的时序特征表述方法。
数据说明
数据整理自网上公开数据集UCI（已脱敏），数据集涵盖2类不同时间序列，该类数据集广泛应用于时序分类的业务场景。
| 文件类别 | 文件名 | 文件内容 |
| 训练集 | train.csv | 训练数据集标签文件，标签CLASS |
| 测试集 | test.csv | 测试数据集标签文件，无标签 |
| 字段说明 | 字段说明.xlsx | 训练集/测试集XXX个字段的具体说明 |
| 提交样例 | Ssample_submission.csv | 仅有两个字段ID\CLASS |
字段说明
| 名称 | 标签 |
| ID | 时间序列标识号 |
| T0 | T0时刻特征 |
| T1 | T1时刻特征 |
| … | … |
| T239 | T239时刻特征 |
| CLASS | 时间序列类别标记 |
提交示例
建议提交方式：
参赛者以csv文件格式提交，提交模型结果到大数据竞赛平台，平台进行在线评分，实时排名。目前平台仅支持单文件提交，即所有提交内容需要放在一个文件中；submission.csv文件字段如下：
| ID | CLASS |
| 210 | 0 |
| 211 | 1 |
| … | … |
评测标准
1、准确率（Accuracy）：对于给定的测试数据集，预测正确的样本数与实际总样本数之比
2、True，表示预测正确的样本数数量
3、Total Number of Samples，表示实际总样本数数量
计算公式如下：
image
赛题介绍
image
赛题名：野外环境中的蝴蝶自动识别
赛道：训练赛道
背景：昆虫是人类已知的生物类群中数量最庞大的分支之一，对该类群实现分类、鉴定是一项非常复杂的任务，也是昆虫研究领域亟需解决的重要问题。蝴蝶作为最常见的昆虫，凭借其美丽的外观吸引着众多昆虫爱好者以及昆虫学家去观赏与研究，并且蝴蝶作为宝贵的环境指标，地位独特，既能对气候和栖息地等环境变化做出快速反应，也是能反映一定区域内其他野生动植物的多样性。因此，野外环境中的蝴蝶识别与检测意义重大。
然而，蝴蝶种类繁多，全世界约有18000种，中国约有1700种。截至目前，蝴蝶种类识别依然依赖于昆虫分类学家根据蝴蝶翅膀背、腹面的花纹、颜色和图案特征所做的人工鉴定，这不仅需要昆虫学家长期的经验和知识积累，且费时费力，严重制约了蝴蝶作为环境指示昆虫的应用。另外，部分蝴蝶种类之间外观相似，难以区分。蝴蝶自身所具有的拟态性，使得蝴蝶很容易借助周围环境来隐藏自己，躲避天敌。野外环境中的蝴蝶，翅膀不一定展开，分类特征可能被遮挡。因此，野外环境中的蝴蝶识别与检测十分困难。
传统的蝴蝶种类识别方法就是人工鉴定，不仅耗时耗力，而且过于依赖有经验的昆虫学家，所以我们希望借助计算机视觉技术，通过人工智能技术对野外环境中的蝴蝶进行自动识别，从而帮助昆虫爱好者和昆虫学家以及一切从事相关研究的人员，能够快速准确地识别与检测野外环境中的蝴蝶。
任务：依据给定的蝴蝶在野外环境中的图像以及对应的标注文件，建立机器学习、深度学习模型来对图像中的蝴蝶进行目标检测。
数据简介
该数据集包含了第三届中国数据挖掘竞赛——国际首次蝴蝶识别大赛所使用的全部野外环境中拍摄的蝴蝶图像数据，共721张图像，94种蝴蝶，每一张图像对应一个标注文件，详细标注了蝴蝶的种类以及蝴蝶在图像中的矩形框坐标。
数据说明
用于竞赛的数据集应下载至datasets文件夹下，下载地址为http://www.sciencedb.cn/dataSet/handle/706，下载后应共有两个文件夹：Annotations和JPEGImages。其中Annotations为数据集的标注信息文件夹，包含每个训练图像对应的xml文件，内容格式可参考pascal voc 2007数据集中的标注文件格式，采用UTF-8无BOM编码格式；JPEGImages为训练的图像数据，其名称和Annotations文件夹中的名称一一对应。
提交要求
建议提交方式：
参赛者以json文件格式提交，提交模型结果到大数据竞赛平台，平台进行在线评分，实时排名。目前平台仅支持单任务单文件提交，由于该赛题任务为：自然环境中蝴蝶图像的目标检测，请参赛者提交检测结果submission.json。
submission.json为一个字典文件，键为类别索引【参考提交样例】，值为对应类别预测的结果列表，列表中每一个元素为单独一张图像的预测结果信息，每条信息包含的字段
如下:
| 字段名 | 类型 | 取值范围 | 字段解释 |
| image_name | String | - | 文件名 |
| confidence | float | [0.0,1.0] | 分类置信度 |
| x1 | float | (-∞,+∞) | 预测框左上横坐标 |
| y1 | float | (-∞,+∞) | 预测框左上纵坐标 |
| x2 | float | (-∞,+∞) | 预测框右下横坐标 |
| y2 | float | (-∞,+∞) | 预测框右下纵坐标 |
【注】：x1, y1, x2, y2对应预测坐标在原图大小的坐标值，不能经过任何放缩或者变换，否则会造成最终评分异常。
提交示例
提交结果命名为submission.json，编码格式为UTF-8无BOM编码格式,且同一张图像数据可以有多条预测结果，即在对应类别列表中有多条image_name相同的预测信息。字段要求和内容格式见【提交要求】。具体示例：
{
‘0’:[
[ “IMG_000001”,0.55 ,1000,1000,2000,2000],
[ “IMG_000001”,0.55 ,1000,1000,2000,2000],
[ “IMG_000002”,0.75 ,1000,1000,2000,2000],
…
],
‘1’:[
[ “IMG_000002”,0.75 ,1000,1000,2000,2000],
[“IMG_000002”,0.75 ,1000,1000,2000,2000],
[“IMG_000003”,0.65 ,1000,1000,2000,2000],
…
],
‘2’:[
[ “IMG_000002”,0.75 ,1000,1000,2000,2000],
[“IMG_000002”,0.75 ,1000,1000,2000,2000],
[“IMG_000003”,0.65 ,1000,1000,2000,2000],
…
],
…}
【评测标准】
评价标准：我们用目标检测问题中最常用的度量标准 – 平均精度均值(mean Average Precision, mAP)作为任务的评价指标（all-points-interpolation法），结果采用以下计算规则：
1 根据ground truth 信息,统计每个类别所有预测实例，最终得到该类别的精确度(Percision)和召回率(Recall)列表,两者计算公式为：
image
2 设索引为i的类精确度为Pi,召回率为Ri,均为列表，Ri相邻两位(k和k-1位)的召回率差值为^rk，则索引为i的类的平均精度计算公式为：
image
3 计算mAP
image
