Автор: | Rhonda Software | Ограничение времени: | 1 сек | |
Максимальный балл: | 10000 | Ограничение памяти: | 512 Мб |
Автоматическое обнаружение дефектов изображений является важной частью настройки заводской линии для производства камер.
Целью данной задачи является автоматическое обнаружение повреждённых изображений, требуется для каждого изображения тестовой выборки сказать, является ли изображение повреждённым или нет, тип дефекта определять не нужно.
Повреждения могут быть 4-х различных видов (для ясности смотрите обучающую выборке):
Обучающую выборку и исходные данные тестовой выборки можно скачать ЗДЕСЬ или взять данные на физическом носители у жюри.
Вы можете использовать шаблон решения, доступный ЗДЕСЬ.
Обучающая выборка содержит следующие данные:
name
– имя изображенияis_corrupted
– (0, 1) является ли изображение повреждённым или нетAccuracy=(TP+TN)(TP+TN+FP+FN). Где: TP - количество верно классифицированных картинок с повреждениями TN - количество верно классифицированных картинок без повреждений FP+FN - количество ложно классифицированных объектов
Расчет выполняется как:
def accuracy(predicts, true_values):
return sum([pred == true for pred, true in zip(predicts, true_values)]) / len(true_values)
Для отправки решения нужно:
CSV
, содержащий столбцы name,is_corrupted
№ | Стандартный вход | Стандартный выход |
---|---|---|
1 |
|
|