CompHub は、 マルチプラットフォームデータ クラス(Kaggle、Tianchi...) およびOJ クラス(Leetcode、Niu Ke...) の競争をリアルタイムで集約します。このアカウントはゲームの最新情報を発信していきます。
コンペティションの詳細については、CompHub のホームページをご覧ください。
以下内容は大会ホームページより抜粋（記事末尾をクリックすると原文が読めます）
Part1 コンテストの質問の紹介
トピック
-
Track 1 Self-Supervised Learning Track : 深度マップの監視なしで単眼シーケンスのみがモデルのトレーニングに使用されます
-
トラック 2 完全に監視された学習トラック: 参加者は、モデルをトレーニングするためにリリースされたすべての深度マップを十分に活用できます。
ホスティング プラットフォーム
スポンサー
バックグラウンド
単眼および立体画像からの深度推定は、実世界の視覚認識システムにおいて重要な役割を果たします。有望な結果が達成されていますが、現在の学習ベースの深度推定モデルは、分布外 (OoD) の状況を無視して、クリーンなデータセットでトレーニングおよびテストされています。ただし、一般的な破損は実際のシナリオで発生する傾向があり、自動運転やロボット ナビゲーションなどのアプリケーションにとって安全性が重要です。堅牢な深度推定に対するコミュニティの注目を集めるために、RoboDepth チャレンジを提案します。
単眼および立体画像からの深度推定は、実世界の視覚認識システムにおいて重要な役割を果たします。有望な結果にもかかわらず、現在の学習ベースの深度推定モデルは、過少分布 (OoD) を無視して、クリーンなデータセットでトレーニングおよびテストされています。ただし、自動運転やロボット ナビゲーションなどのアプリケーションの安全性にとって重要な、現実のシナリオでは一般的な損害が発生することがよくあります。堅牢な深度推定に対するコミュニティの注目を集めるために、RoboDepth チャレンジを提案します。
私たちの RoboDepth は、一般的な破損の下で深度推定モデルの OoD の堅牢性を調査することを目的とした最初のベンチマークです。次の 3 つの観点から、合計 18 の破損タイプがあります。
1. Weather and lighting conditions, such as sunny, low-light, fog, frost, snow, contrast, etc.
2. Sensor failure and movement, such as potential blurs (defocus, glass, motion, zoom) caused by motion.
3. Data processing issues, such as noises (Gaussian, impulse, ISO) happen due to hardware malfunctions.
私たちの RoboDepth は、一般的な破損の下での検出深度推定モデルの OoD 堅牢性の最初のベンチマークです。3つの観点から、合計18種類あります。
-
晴天、低照度、霧、霜、雪、コントラストなどの天候と照明条件。
-
潜在的なブレ (焦点が合っていない、ガラス、動き、ズーム) によって引き起こされる動きなど、センサーの故障と動き。
-
ハードウェア障害により、ノイズ (ガウス、インパルス、ISO) などのデータ処理の問題が発生します。
Part2 スケジュール
Part3 報酬の仕組み
