赛题介绍 大赛主题 算网共生 云智无界 大赛介绍 为助力中国移动算力网络的发展，加速移动云向算力网络演进过程，促进基于移动云产品能力的创新应用与解决方案的丰富，中国移动通信集团有限公司联合多家单位举办第二届“移动云杯”算力网络应用创新大赛，为算力网络的战略落实提供创新平台，全力推动移动云持续向“业界一流云服务商”迈进。 三大赛道 行业赛道 借开发者之力，探索多样化场景需求，开拓算网新生态 本赛道面向全社会开发者，探索多样化算力网络应用场景，鼓励参赛者基于移动云产品能力，开发形成丰富的算力网络创新应用。更多详情请点击下方了解。 行业应用创新子赛道 医疗行业应用子赛道 工业行业应用子赛道 云电脑应用子赛道 高校赛道 以新生之力，求索AI与算网交织点，构筑数智新未来 本赛道面向全国高校大学生，旨在挖掘算力网络时代的优秀人才，采取算法加应用创意赛的方式，推动高校人才创新培养，助力中国移动数字化转型发展。更多详情请点击下方了解。 算网融合运营子赛道 九天应用子赛道 立即报名 赛程安排 1、报名、作品准备及提交 2023年5月中旬-9月中旬 2、赛道初赛 2023年9月下旬 3、复赛作品提交 2023年9月下旬 4、赛道复赛 2023年9月下旬-10月上旬 5、赛道决赛作品提交 2023年10月中旬 6、赛道决赛 2023年10月下旬 7、全国总决赛及颁奖 2023年11月 说明：初赛为线上专家系统评审，复赛为线上路演，赛道决赛及全国总决赛视情况选择线下/线上路演方式开展。比赛赛程安排若调整，请关注大赛官网、交流群、邮件等通知。 大赛奖金 总奖金池¥5,000,000+(100万现金奖励+400万+购云优惠奖励）

一、赛事介绍 目标检测作为当前计算机视觉落地的热点技术之一，已被广泛应用于自动驾驶、智慧园区、工业检测和卫星/无人机遥感等各类场景。本次比赛主要聚焦其中的卫星/无人机遥感场景，通过结合大量高分辨率的可见光车辆目标数据作为辅助，利用少量成对的可见光和红外车辆目标数据完成智能模型构建，实现对可见光和红外图像中车辆目标的位置、方向以及类别信息的提取。 二、赛题介绍 本次比赛任务为带角度信息的目标检测。主要在卫星/无人机遥感场景下，通过结合大量高分辨率的可见光车辆目标数据作为辅助，利用少量成对的可见光和红外车辆目标数据完成智能模型构建，实现对可见光和红外图像中车辆目标的位置、方向以及类别信息的提取。 带角度信息的目标检测结果示意图如1-1所示。 图1-1 带角度信息的目标检测结果示意 左：可见光检测结果，右：红外检测结果 其中目标采用（cx,cy,rw,rh,angle）表示，含义分别为目标中心X轴坐标、目标中心Y轴坐标、与目标朝向平行边的长度、与目标朝向垂直边的长度以及目标朝向角度。朝向角度以图像X轴方向为0度，逆时针旋转到360度，即根据赛制提供数据情况，在进一步实现更优质检测性能的情况下，可能会涉及到不同任务目标检测迁移、小样本目标检测及多模态数据下目标检测等相关技术。各参赛队伍可充分挖掘比赛数据价值，从中设计并实现多种方法的最优组合。 三、赛程设置 报名及模型提交时间：9月29日-11月24日 评审时间：9月29日-11月24日 结果公布：12月8日 四、奖项设置 一等奖（1支队伍）：30,000元 二等奖（2支队伍）：20,000元 三等奖（3支队伍）：10,000元 *比赛所有奖金均为税前金额。 五、比赛规则 1、参赛对象 大赛面向全社会开放，个人、高等院校、科研单位、企业、创客团队等人员均可报名参赛。 2、报名与组队 参赛选手须在大赛官网报名并且组队参赛（即使单人参赛也要组建单人队伍），参赛队伍限制 1 ~ 3 人。（注：团队每个成员都要单独报名。） 报名截止之后，将停止组队变更，不再允许添加或更改任何队伍成员（注：大赛组织机构单位中涉及题目编写、数据接触的人员禁止参赛）。 3、比赛规则 本次比赛仅允许使用与任务相关不高的公开数据集（例如ImageNet、COCO等）及其预训练模型； 本次比赛不鼓励过度堆砌模型的策略, 对多模型策略将进行限制。使用多个模型的结果进行简单融合（如坐标位置/标签概率求平均等等），被认为是多模型策略。不鼓励过度堆砌模型和硬件来刷高比赛得分的行为，为了鼓励选手在算法设计和优化上的创新，要求在预测阶段的模型组合不能超过2个； 本次比赛将限制每周提交次数，每周允许队伍提交两次检测结果，请参赛队伍自主选择最优结果进行提交； 比赛期间，每天晚上8点后可以通过官方查询唯一通道【惠普Z Club】公众号回复“成绩查询”，查询截止到前一天24点提交作品的最新成绩及排名；` 禁止造假、作弊、雷同、多账号刷分等行为，一经发现即取消比赛资格以及奖励；取得优秀成绩的队伍应当具备模型复现能力。` 最终评选出的获奖队伍，将根据比赛成绩，依次进行成绩复核、颁奖。成绩复核需要选手提供：源代码、模型以及对应的说明文档；如用户未提供成绩材料，或提交的材料不能进行复现，则属于无效作品。` 六、评选规则 根据预测目标框与真实框之间的重叠比例RIoU，超过指定比例视为检测成功。 赛题分数计算方式：mAP@RIoU=0.5:0.05:0.95 其中每项RIoU下的mAP的计算过程可参考: https://github.com/facebookresearch/Detectron/blob/05d04d3a024f0991339de45872d02f2f50669b3d/lib/datasets/voc_eval.py 注意：原始IoU更换为RIoU，RIoU = IoU * cos(Angle_diff), Angle_diff为预测框角度与真实框角度差值。 七、数据格式 提交结果格式为json文件，按照数组的方式存储每一张图片的检测结果，每一张图片的检测结果格式可以参考xml格式标注文件，详细参考如下， result.json [ {"img_filename": str, "result":[ {"category_id": int, "rbox": [x,y,width,height,angle], "score": float}, {"category_id": int, "rbox": [x,y,width,height,angle], "score": float}, …, {"category_id": int, "rbox": [x,y,width,height,angle], "score": float}, ]}, …, {"img_filename": str, "result":[ {"category_id": int, "rbox": [x,y,width,height,angle], "score": float}, {"category_id": int, "rbox": [x,y,width,height,angle], "score": float}, …, {"category_id": int, "rbox": [x,y,width,height,angle], "score": float}, ]}, ] 注意：img_filename为图像名称，由于测试集为成对可见光-红外图像，上述结果应当保存所有模态图像的检测结果。例如： 可见光：RGB/DJI_2022091001_0246.jpg 红外：Infrared/ DJI_2022091001_0246.jpg 八、数据集详细信息 本次比赛数据集主要分为两个部分。其中一部分为 高清分辨率可见光传统矩形车辆目标图像数据 ，其作为比赛任务的辅助数据，可供参赛队伍进行大规模数据预训练等相关策略，为后续小样本情况下的目标检测提供帮助；另外一部分为 对齐的可见光和红外旋转车辆目标图像数据 ，其作为比赛任务的主要数据，供参赛队伍基于其中少量的成对数据，完成可见光和红外旋转车辆目标检测智能模型构建，并在余下数据中进行评测。详细说明如下： 1. 目录结构 └── dataset ├── 1_HR_RGB （辅助数据） ├── JPEGImages └── Annotations └── 2_Algned_RGB_Infrared（主要数据） ├── JPEGImages ├── RGB └── Infrared └── Annotations ├── RGB └── Infrared 2. 高清分辨率可见光车辆图像数据 高清分辨率可见光车辆图像数据信息如下： 数据大小：约42G； 数据类型：可见光图像及XML标注 图像总数：2192； 图像分辨率：不小于4000×3000； 目标类别：10类车辆目标，类别分别为car(小轿车)、mini bus(面包车)、truck(卡车)、bus(公共汽车)、pick up truck(小型货车)、van(厢式货车)、excavating machinery(挖掘机)、other engineering vehicle(其他工程车)、mixer(搅拌车)、oil tanker(油罐车)； 目标格式：采用传统矩形框(xmin,ymin,xmax,ymax)表示； 数据划分：全部用于辅助训练 图2-1给出了其中一张图像及其标注目标的示意情况。 图2-1 高清分辨率可见光车辆图像数据示意图 3. 对齐可见光-红外车辆图像数据 对齐可见光-红外车辆图像数据信息如下： 数据大小：约550M； 数据类型：对齐可见光+红外图像，及各自XML标注 图像总数：2232对； 图像分辨率：640×512，其中可见光3通道，红外1通道； 目标类别：4类车辆目标，类别分别为car(小轿车)、bus(公共汽车)、light truck(轻型卡车)、heavy truck(重型汽车)，对应id分别为0、1、2、3； 目标格式：采用旋转矩形框(cx,cy,rw,rh,angle)表示； 数据划分：训练集558对，测试集1674对； 数据涉及白天和夜晚环境，其中1588对为白天环境下采集，644对为夜晚环境下采集。在2232张（可见光/红外）图像中，上述小轿车、公共汽车、轻型卡车、重型卡车四类目标平均每图5.90个、0.58个、0.94个和0.91个。 数据以大约1:3的比例划分为两部分，分别为训练集和测试集。在划分的过程中，每种比例下得到的训练集除了训练图像数要满足该比例要求外，其在白天/夜晚不同环境下的图像数，以及每类目标数也要在一定程度上满足该比例要求。 图2-2给出了其中一对白天和夜晚图像及其标注目标的示意情况。 图2-2 对齐可见光-红外车辆图像数据 上：白天环境，下：夜晚环境