<h3>Описание задачи</h3>

<p>В этом сезоне профиля &laquo;Искусственный интеллект&raquo; НТО вам предстоит поработать с новым форматом данных &ndash; видео. В рамках задачи 2 этапа вам нужно разработать алгоритм, который распределит короткие видео (&lt;1 минуты) на 9 заданных классов:&nbsp;</p>

<ol>
<li>animal &ndash; в видео присутствует одно или несколько животных;</li>
<li>car &ndash; в видео присутствуют автомобили;</li>
<li>cloud &ndash; в видео показано небо в облаках (тучах);</li>
<li>dance &ndash; в видео есть танцующий человек (люди);</li>
<li>fire &ndash; в видео присутствует пламя (огонь, пламя свечи и т.д.);</li>
<li>flower &ndash; в видео присутствуют цветы;</li>
<li>food &ndash; в видео готовят еду, либо просто присутствует еда;</li>
<li>sunset &ndash; в видео показан закат или рассвет;</li>
<li>water &ndash; в видео показана поверхность воды.</li>
</ol>

<p>Задачи классификации, к которым относится и эта, являются важнейшим классом задач обучения с учителем (supervised learning). При этом стандартные подходы к классификации изображений могут быть расширены и на видео, которые, по сути, представляют из себя последовательность изображений, распределённых во времени. Задача классификации коротких видеофрагментов имеет широкое практическое применение, а успешные модели могут быть использованы, например, для фильтрации видео-контента или тематической классификации видео, а также в задаче поиска (information retrieval).</p>

<h3><strong>Формат решений</strong></h3>

<p>В проверяющую систему необходимо отправить код алгоритма, запакованный в ZIP-архив. Решения запускаются в изолированном окружении при помощи Docker. Время и ресурсы во время тестирования ограничены:&nbsp;</p>

<ul>
<li>5Gb на архив с решением</li>
<li>25 минут на работу решения</li>
</ul>

<p>Так как решение не имеет доступ к интернету, все дополнительные данные, например, веса обученной модели, должны быть подгружены в контейнер. В качестве примеры организаторы предоставляют контейнер для запуска бейзлайн-решения.</p>

<p>Доступные ресурсы:</p>

<ul>
<li>8 ядер CPU</li>
<li>48Gb RAM</li>
<li>Видеокарта NVidia Tesla V100</li>
</ul>

<h3><strong>Метрика</strong></h3>

<p>Для оценки решений участников будет использована метрика accuracy, которая показывает долю верно классифицированных объектов выборки.</p>

<figure class="image image_resized" style="width:230px;"><img src="https://storage.yandexcloud.net/ds-ods/files/content/2022/11/09/06c8ea616ccd/%D0%A1%D0%BD%D0%B8%D0%BC%D0%BE%D0%BA%20%D1%8D%D0%BA%D1%80%D0%B0%D0%BD%D0%B0%202022-11-09%20%D0%B2%2011.17.55.png" /></figure>

<p>Метрика accuracy является стандартной метрикой для задач классификации. Она характеризует долю точных совпадений среди пар предсказанных и истинных ответов, то есть отражает отношение числа совпавших ответов (когда модель участника предсказала такой же ответ, как истинный) к общему числу ответов (независимо от того, в определении какого именно класса модель допустила ошибку). Эта метрика изменяется от 0 до 1, где 0 &ndash; наихудшее значение, 1 &ndash; наилучшее.</p>

<h3><strong>Baseline</strong></h3>

<p>Вам доступно базовое решение от разработчиков задачи с использованием фреймворка PyTorch.&nbsp;</p>

<p>Предполагаемый пайплайн работы модели включает в себя следующие этапы:</p>

<ol>
<li>вычисление для input видео соответствующих им векторных представлений (эмбеддинги);</li>
<li>предсказание для каждого из получившихся эмбеддингов метки (лэйбла) одного из классов.</li>
</ol>

Распределите видео по заданным классам.

Public

Private

User agreement_en

<p>I have read and agree to the <a href="http://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/UserAgreement.pdf">User Agreement and Privacy Policy</a></p>

Personal data_en

<p>I give <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Consent.pdf">my consent</a> to &ldquo;Sorevnovaniya Analiza Dannykh&rdquo; LLC to process and share my personal data with event partners for communication purposes</p>

Consent_en

<p><a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Email.pdf">I agree</a> to receive newsletters from Data Analytics Competitions Ltd.</p>

Contest Rules_en

<p>I agree with the <a href="https://storage.yandexcloud.net/ds-ods/files/content/2022/11/13/1bb3fec4788f/rulesnto2.pdf">rules of the competition</a></p>

<p>You have reached the registration page for the Artificial Intelligence profile of the National Technology Olympiad 2022/23. <strong>When registering, please give your Talent-ID, the same email and the correct name you gave when you registered for the NTO.</strong></p>

email

Email

talentid

Talent-ID

first_name

First name

last_name

Last name

middle_name

Middle name

is_underage

Underage

legal_representative_first_name

Legal representative First name

legal_representative_last_name

Legal representative Last name

legal_representative_middle_name

Legal representative Middle name

legal_representative_email

Legal representative Email

Registration application for competitions «Artificial Intelligence» of the National Technology Olympiad 22/23

2 этап профиля “Искусственный интеллект” НТО 2022/23


1	Overfit Lovers Club	0.95	3y	20
2	Artiom Zaborshchikov	0.94	3y	5
3	Maksim Gusev	0.93	3y	2
4	Danil Fedorov	0.91	3y	5
5	Creative Pixel	0.9	3y	74
6	Ivan Mironov	0.88	3y	17
7	Valery Tamrazov	0.88	3y	9
8	Artem Mikhailov	0.88	3y	17
9	Pecheneka	0.88	3y	3
10	Daniil Zinovjev	0.87	3y	13
11	Makual	0.86	3y	32
12	DEPO Master	0.86	3y	17
13	bestfitting	0.86	3y	20
14	Alex Ast	0.84	3y	8
15	mishkashishka	0.83	3y	14
16	Maksim Aleksandrov	0.83	3y	54
17	точно не химичка	0.83	3y	28
18	Andrey Khlopotnukh	0.83	3y	31
19	Andrey Katasonov	0.83	3y	16
20	Nikita Iltiakov	0.83	3y	7
21	Deluxe	0.83	3y	14
22	Kirill Almetov	0.83	3y	13
23	ANDREY	0.83	3y	2
24	Cene655	0.82	3y	8
25	Stepan Zhdanov	0.82	3y	32
26	датасет создавали гении	0.82	3y	73
27	Timofei Silaev	0.82	3y	26
28	naer	0.82	3y	15
29	Artem Seleznev	0.82	3y	4
30	Artiom	0.82	3y	1
31	яйца	0.81	3y	11
32	Demid Babikov	0.81	3y	5
33	Artem Rekalov	0.81	3y	7
34	dataшкольники	0.81	3y	10
35	Dataшкольники	0.81	3y	2
36	Lexi	0.8	3y	4
37	Andrew Teplov	0.8	3y	47
38	TeamTech1	0.8	3y	4
39	Nikossik	0.8	3y	3
40	Anton Erofeev	0.8	3y	7
41	Eva Morozova	0.8	3y	13
42	Maxim Taranenko	0.8	3y	13
43	Gleb Bondarchuk	0.8	3y	4
44	Шымкент 2003	0.8	3y	1
45	zakilberri	0.8	3y	1
46	N2O	0.8	3y	5
47	Svety Michael	0.8	3y	5
48	Artem Borzenko	0.8	3y	1
49	Eduard Altshuler	0.79	3y	27
50	Egor Starygin	0.79	3y	25