11-25 ноября 2022

Хакатон
Inside.AI

Мероприятие проводится в рамках реализации в форме субсидий из федерального бюджета образовательным организациям высшего образования на реализацию мероприятий, направленных на поддержку студенческих научных сообществ.
Генеральный партнер:
компания Малленом Системс
Что такое Хакатон Inside.AI?
Это командное соревнование для молодых специалистов, преподавателей, аспирантов, студентов, которое направлено на решение задач в сфере машинного обучения и компьютерного зрения.

Хакатон представлен несколькими направлениями задач. Но все задачи объединяет одна цель — сделать жизнь людей и бизнеса лучше в новой реальности.

Хакатон Inside.AI – это отличное место для людей с теоретическими знаниями, желающими получить реальный опыт при поддержке ведущих экспертов компании Малленом Системс.

Мероприятие проходит в гибридном формате: онлайн и офлайн.
Рекомендуемый состав команды: специалисты ML, программисты.
Призовой фонд
Первое место
денежный приз
100 000 рублей
Второе место
денежный приз
80 000 рублей
Третье место
денежный приз
50 000 рублей
Спец номинация
денежный приз
20 000 рублей
Программа Хакатона
11-25 ноября
17:00 – 17:15 Приветственное слово организаторов
17:15 – 18:45 Представление командами своих работ
18:45 – 19:00 Оценка работ экспертами
19:00 – 19:15 Оглашение результатов, награждение
25 ноября, Пятница
10:00 – 10:30 Приветственное слово организаторов
10:30 – 17:00 Работа команд над одной задачей
17:00 – 18:30 Представление командами своих работ
18:30 – 19:00 Промежуточная оценка работ экспертами
19:00 – 19:15 Оглашение промежуточных результатов
12 ноября, Суббота
10:00 – 10:30 Регистрация участников
10:30 – 11:00 Приветственное слово
11:00 – 17:00 Работа над проектами
17:00 – 19:00 Презентация идей командами, экспертная оценка
11 ноября, Пятница
Доработка командами своих прототипов
13 – 24 ноября
Требуется предварительная регистрация!

Для участия в Хакатоне
заполните анкету
Требуется предварительная регистрация!

Для участия в Хакатоне
заполните анкету
Встречайте наших экспертов!
Царев Владимир Александрович
Директор по развитию Малленом Системс
Веснин Евгений Николаевич
Технический директор Малленом Системс
Венедиктов Максим Ильич
Директор Малленом Технолоджис
Задачи Хакатона
Распознавание маркировки на шинах
Описание:
На боковой поверхности шин располагается маркировка, содержащая логотип производителя, а также типоразмер шины: ширина шины, высота профиля и диаметр диска.
Необходимо разработать сервис, который будет определять производителя и типоразмер шины по ее снимку.

Критерии выполнения задачи:
  • Правильное распознавание производителя – не менее 98%.
  • Правильное распознавание типоразмера – не менее 95%.
  • Общее время распознавания производителя и типоразмера – не более 2 сек.
Выборка:
Изображения шин (с боковой поверхности) предоставляются Заказчиком.
Распознавание маркировки на трубах
Описание:
На трубы с помощью маркиратора наносится буквенно-цифровая маркировка, содержащая уникальный номер трубы. При движении трубы в зоне контроля (вращательно или вращательно-поступательно) выполняется серия снимков, на части из которых виден номер.
Необходимо разработать сервис, который будет определять уникальный номер трубы по серии изображений этой трубы.

Критерии выполнения задачи:
  • Правильное распознавание номера трубы по серии снимков – не менее 98%.
  • Время распознавания номера трубы по серии снимков – не более 3 сек.
Выборка:
Изображения труб предоставляются Заказчиком.
Определение границ вагонов в видеопотоке
Описание:
В области контроля железнодорожного транспорта имеется потребность осуществлять корректный подсчет вагонов. Зачастую он осуществляется с помощью аппаратных датчиков, что влечет за собой финансовые затраты. В связи с этим для подсчета вагонов имеет смысл проработать альтернативный вариант, заключающийся в разделении вагонов в видеопотоке. Разделение вагонов можно произвести путем обнаружения границ вагонов.
Необходимо разработать сервис, который будет производить определение границ вагонов на отдельных видео.

Критерии выполнения задачи:
  • Правильное определение границ вагонов – не менее 90%.
  • Время обработки одного кадра – не менее 3 сек.
Выборка:
Изображения вагонов предоставляются Заказчиком.
Позиционирование кранов по наблюдаемой сцене
Описание:
В цехе промышленного предприятия для выполнения технологических операций используются мостовые краны. Для оцифровки выполняемых операций важно иметь информацию о местоположении крана. Необходимо разработать алгоритм, определяющий позицию крана в пролете по изображению с видеокамеры, установленной на кране.

Критерии выполнения задачи:
  • Среднеквадратичная ошибка определении позиции крана:
  • где n – число изображений, использованных в оценке
  • Yi – истинное значение позиции
  • Y ̂_i – предсказанное значение позиции
  • Оценка будет выполнятся по данным с того же крана, но по изображениям, сформированным в другие сутки.
Выборка:
Набор изображений, в имени которых, содержится информация о позиции крана. Предоставляется Заказчиком.
Подсчет грузовых контейнеров на видео
Описание:
Для логистических компаний и промпредприятий, использующих контейнерные перевозки, актуальна задача подсчета количества контейнеров, появляющихся в зоне видимости камеры, снимающих автомобильные и ж/д въезды на предприятие. В общем случае распознавание номера контейнера не всегда возможно ввиду отсутствия или плохого качества нанесения номеров, поэтому первичной актуальной задачей является детекция каждого контейнера.
Необходимо разработать программный модуль, который будет детектировать контейнер в кадре, выполнять счет контейнеров и визуализировать результаты своей работы. Рекомендуется детектировать края контейнеров с угловыми фитингами, которые одинаковы у всех контейнеров (рекомендация не обязательная, возможны и иные идеи от участников).
Вход: видеофайл. Выход: количество контейнеров на видеозаписи.

Критерии выполнения задачи:
  • Подсчет контейнеров – не менее 99%, без ложных срабатываний.
Выборка:
Видеозаписи вагонов-платформ, перевозящих контейнеры, предоставляются Заказчиком.
Формирование панорамного снимка вагонов по видеозаписи
Описание:
Для сокращения необходимого количества винчестеров и их объема при видеосъемке ж/д составов, проходящих через ж/д КПП предприятий, требуется разработать видеоаналитический модуль, который из видеофайла формирует панорамный снимок ж/д состава.
Задача осложняется тем, что часто видеокамеры направлены на номера вагонов и не снимают вагон целиком, а также неравномерным движением вагонов с ускорением/замедлением.
Вход: видеофайл. Выход: панорамный снимок вагонов из видеофайла.

Критерии выполнения задачи:
  • Визуально корректная панорамная фотография вагонов. Номера вагонов на фотографии не искажены и читаемы.
Выборка:
Видеозаписи предоставляются Заказчиком
Распознавание русской дактильной азбуки на видео
Описание:
Глухонемые и слабослышащие люди используют для общения специальный язык жестов, что является барьером при коммуникациях с людьми, не владеющими таким языком.
Необходимо разработать сервис, позволяющий на основе анализа видео распознавать буквы русской дактильной азбуки и выводить на экран полученные результаты распознавания.

Критерии выполнения задачи:
  • Правильное распознавание букв дактильной азбуки – не менее 90%.
Выборка:
Выборка собирается участниками самостоятельно. Изображения могут быть получены из открытых источников сети Интернет, сняты на камеру ноутбука, смартфона и других мобильных устройств. Выборка должна содержать изображения с отдельными буквами русской дактильной азбуки.
Распознавание эмоций по голосу человека
Описание:
Человек записывает видео, где рассказывает о проблемах, которые его беспокоят в психоэмоциональном плане. Чтобы полноценно проанализировать психоэмоциональное состояние человека производится анализ его лица, голоса и телодвижений.
Необходимо разработать сервис, который будет по голосу человека будет определять его эмоции.

Критерии выполнения задачи:
  • Правильное распознавание эмоций человека по голосу – не менее 70%.
  • Количество распознаваемых эмоций человека – не менее 3.
Выборка:
Аудио с голосом человека команда собирает самостоятельно.
Оценка одобрения населением городского объекта по сообщениям в социальной сети ВК
Описание:
С помощью дрона сканируется определенная городская местность, которую планируют благоустроить. Далее с помощью ИИ генерируется концепт благоустройства данной территории с учетом всех особенностей местности.
Необходимо разработать алгоритм, который позволял бы оценивать воплощенную в жизнь идею по благоустройству (своего рода метрика).
Задачу по созданию подобной метрики можно разделить на 2 части:
  1. Распознавание о каком объекте на карте идёт речь в посте/сообщении
  2. Определение эмоциональной окраски текста. Например: негативный пост, нейтральный пост, и т.д.
Критерии выполнения задачи:
  • Правильное распознавание объекта – не менее 98%.
  • Правильное распознавание эмоциональной окраски текста – не менее 98%.
Выборка:
Для решения задачи нужно собрать выборку постов и комментариев из ВК по определённому городу (можно попробовать ограничится конкретными группами) и выделить признаки, по которым можно понять, что текст о конкретном месте. Например: упоминание адреса, названия, соседних адресов и типа объекта.
Крупный научно-образовательный центр города Череповца и Вологодской области, активно развивающий компьютерное моделирование производственных процессов и технологии цифровой обработки больших данных, реализующий программы развития компетенций обучающихся в области искусственного интеллекта.
Череповецкий государственный университет
Организатор хакатона
Ведущая российская компания в области разработки и внедрения систем компьютерного зрения и промышленной видеоаналитики на основе технологий машинного зрения и искусственного интеллекта.
Малленом Системс
Генеральный партнер хакатона
Технологический акселератор компании Малленом Системс, направленный на на подготовку специалистов и разработку «умных» продуктов в сфере машинного обучения и компьютерного зрения.
ML START
Партнер хакатона
Требуется предварительная регистрация!

Для участия в Хакатоне
заполните анкету
Требуется предварительная регистрация!

Для участия в Хакатоне
заполните анкету
Часто задаваемые вопросы
Вопрос:
Кто может принять участие в Хакатоне?
Ответ:
Любое физическое лицо, достигшее 18 лет, обладающее гражданством РФ. В том числе студенты ВУЗов, обучающиеся по любым направлениям.
Вопрос:
Какие языки программирования и технические средства я могу использовать?
Ответ:
Если в предложенных партнерами кейсах не заявлены отдельные ограничения в плане ПО, участники не ограничиваются в выборе языков программирования, технологий и средств реализации для создания прототипов, при условии, что результат работы решает проблему, обозначенную в кейсе.
Прототип может использовать opensource библиотеки, шаблоны, стороннее ПО и т.д.
Вопрос:
Я думаю, что моих знаний недостаточно для участия в Хакатоне...
Ответ:
Отсутствие навыков программирования — не проблема. Формат Хакатона подразумевает, в первую очередь, возможность поработать в команде и приобщиться к миру информационных технологий. Команде также необходимы дизайнеры, менеджеры проектов, менеджеры по продуктам, предприниматели, финансовые и бизнес–аналитики, маркетологи и другие специалисты для успешной реализации проекта. Главное, подробно описать свой опыт, чтобы команда могла найти вас.
Вопрос:
Я зарегистрировался, собрал команду. Что дальше?
Ответ:
Оргкомитет свяжется с вами для подтверждения участия в Хакатоне каждого члена команды. Присоединяйтесь к официальной группе Хакатона в Discord.
Вопрос:
Как будет происходить презентация проектов?
Ответ:
Структуру и регламент презентации команды получат на старте. Презентация проводится основным докладчиком, выбранным командой. Команда может дополнять доклад.
Место проведения Хакатона
«Точка кипения» ЧГУ
Череповец, ул. М. Горького, 14
Телефон организаторов: +7 905 296 01-96
E-mail организаторов: hackathon@inside-ai.ru