1) 검출해야하는 생성 사진 예시
•
최종 테스트 셋은 결과 제출일 마지막 날 공개됩니다.
2) 평가 기준
Image Classification (이미지 분류)가 목표이기 때문에 평가 방법은 F1-score 활용합니다.
•
F1-score는 Precision과 Recall의 조화 평균 값으로 추가 정보는 아래 링크 참조.
3) 평가 방법
항목 | 심사 기준 | 점수 |
1. 성능 | 최종 테스트 셋에 대한 F1-score | 40점 |
2. 방법론 | 생성 데이터 활용 전략 | 40점 |
3. 실험 | 성능 향상을 위한 실험 내용 | 10점 |
4. 완성도 | 전체적인 PPT 자료 구성의 짜임새 | 10점 |
총 | - | 100점 |
•
최종 테스트 셋은 결과 제출일 마지막 날 공개되고, 최종 테스트 셋 기준 측정 된 F1-score 기준 성능 항목에 대한 점수 부여합니다.
4) 외부 데이터 및 사전 학습 모델
•
외부 데이터 및 사전 학습 모델 제한 없이 활용 가능합니다.
•
생성 데이터가 부족할 경우 Stable Diffusion 등 공개된 생성 모델을 제한 없이 활용 가능합니다.
•
대회 종료 후 공개 가능한 실제 화재 데이터를 생성 데이터와 함께 활용하는 것도 가능합니다.
•
단, 제공한 데이터 외 추가 활용 시 사용한 이유는 명확해야 합니다.
5) 코드 및 데이터 셋
•
학습 및 테스트 데이터는 아래 Google Drive 링크를 통해 다운로드 받을 수 있습니다.
•
베이스 라인 코드는 아래 Github 링크를 통해 다운로드 받을 수 있습니다.
•
•
제출 규칙
1.
팀 별 최종 작업한 학습 및 테스트 코드 모두 정리한 뒤 제출합니다. 다른 GPU 환경에서 동일한 정확도가 재현 될 수 있어야 합니다.
2.
최종 테스트 코드는 베이스 라인으로 제공되는 코드 중 test.py와 동일한 양식으로 작성되어야 합니다.
6) 학습 GPU
•
학습 및 테스트 관련 장비 제한 없습니다.
•
만약 사용 가능한 GPU가 없는 경우 온라인 무료 GPU Colab 활용하시면 됩니다.
