<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	Daniil Zinovjev	0.893	17m	13
2	bestfitting	0.89	17m	20
3	Alex Ast	0.883	18m	8
4	Artem Mikhailov	0.88	17m	17
5	DEPO Master	0.877	18m	17
6	Makual	0.87	18m	32
7	Valery Tamrazov	0.87	18m	9
8	Pecheneka	0.87	18m	3
9	Eduard Altshuler	0.86	17m	27
10	ANDREY	0.857	17m	2
11	Timofei Silaev	0.847	17m	26
12	яйца	0.843	17m	11
13	Kirill Almetov	0.84	17m	13
14	Шымкент 2003	0.84	17m	1
15	Dataшкольники	0.84	17m	2
16	Maksim Gusev	0.84	17m	2
17	Egor Starygin	0.837	17m	25
18	Gleb Bondarchuk	0.833	17m	4
19	mishkashishka	0.83	17m	14
20	Dmitry Kutsenko	0.827	18m	9
21	Demid Babikov	0.827	17m	5
22	Overfit Lovers Club	0.823	17m	20
23	Danil Fedorov	0.823	17m	5
24	Artiom Zaborshchikov	0.823	17m	5
25	Ivan Mironov	0.82	17m	17
26	Artem Rekalov	0.82	17m	7
27	xsestech	0.82	17m	9
28	Lexi	0.817	18m	4
29	dataшкольники	0.817	17m	10
30	Maxim Taranenko	0.817	17m	13
31	Andrey Khlopotnukh	0.813	17m	31
32	Deluxe	0.813	17m	14
33	NeuralCringe	0.81	17m	13
34	Cene655	0.807	18m	8
35	Andrey Katasonov	0.807	17m	16
36	Yury Sokolov	0.807	17m	19
37	ч	0.807	17m	5
38	Anton Erofeev	0.807	17m	7
39	zakilberri	0.807	17m	1
40	N2O	0.807	17m	5
41	David Romanov	0.803	17m	10
42	TeamTech1	0.803	17m	4
43	Kariboter	0.803	17m	6
44	точно не химичка	0.797	17m	28
45	Artem Seleznev	0.797	17m	4
46	Eugene Golovanov	0.797	17m	4
47	Vsevolod K	0.797	17m	2
48	0 accuracy enjoyer	0.793	17m	24
49	датасет создавали гении	0.793	17m	73
50	We have called Saul	0.793	17m	27