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