競賽背景
全國大學生智能汽車競賽是以智能汽車爲研究對象的創意性科技競賽，是面向全國大學生的一種具有探索性工程的實踐活動，是教育部倡導的大學生科技競賽之一。競賽以"立足培養，重在參與，鼓勵探索，追求卓越"爲指導思想，培養大學生的創意性科技競賽能力。
第十五屆全國大學生智能汽車競賽新增人工智能創意賽道，分爲線上選拔賽和線下競技賽。參賽學生必須在規定時間內使用百度開源深度學習平臺飛槳進行模型的設計、訓練和預測，不得使用其他相關平臺、框架及任何飛槳中未包含的學習方法參賽。百度大腦AI Studio作爲本次線上選拔賽的唯一指定訓練平臺，提供在線編程環境、免費GPU算力、海量開源算法和開放數據，幫助開發者快速創建和部署模型。線上選拔賽top100選手，可獲贈由大賽組委會贊助的H型車模一臺。
賽程安排
| 時間 | 進程 |
|---|---|
| 2020年5月7日 12:00 | 線上選拔賽正式啓動報名 |
| 2020年5月18日 12:00 | 兩個賽題的評測入口開放 |
| 2020年6月14日 23:59 | 兩個賽題的評測入口關閉 |
| 2020年6月17日 20:00 | 公佈線上選拔賽獲獎名單 |
| 2020年6月30日 | 車模寄送完畢 |
| 2020年7月中旬 | 發佈線下競技賽規則 |
評測及排行
- 本次線上選拔賽共有兩個子賽題，分別是人流密度檢測和紅綠燈檢測。參賽學生必須同時報名參賽兩個比賽，綜合兩場比賽成績排名，選出top100發放線下競技賽的車模。、
- 選手可在AI Studio下載比賽數據，創建自己的項目並提交比賽結果。評測在提交後觸發，排行榜實時滾動刷新 ，每支隊伍一天內有3次提交機會。
- 評分細則將於5月18日正式發佈，敬請期待！
- 線上選拔賽以2020年6月17日20:00排行榜成績與排名爲準。
- 禁止私下與隊伍成員之外的人員分享代碼和數據，鼓勵在大賽論壇面向所有選手進行公開討論。
參賽方式
1.參賽對象
（1）本次比賽僅面向全日制普通高等教育學生報名，包括：全日制普通博士學位研究生、全日制與統招非全日制普通碩士學位研究生（包括學術型碩士和專業碩士）、全日制普通第二學士學位、全日制普通本科（包括統招專升本）、普通全日制專科(高職高專）。
（2）每個學校可允許多支隊伍參加線上比賽，取成績最優隊伍，代表學校參與評比。
（3）作爲面向大學生的比賽，爲保證公平性，原則上非在校大學生不得參與比賽，如有參與比賽，取消比賽排名和獎勵。
特別注意：大賽主辦和協辦單位，以及有機會接觸賽題背景業務及數據的學生不得參賽，最終解釋權歸大賽組委會所有。
2.參賽要求
（1）支持以個人或團隊（線下自由組隊）的形式參賽，每支參賽隊伍的人數不超過5人，允許跨單位自由組隊，每人只能參加一支隊伍。
（2）參賽選手報名須保證所提供的個人信息真實、準確、有效，否則取消選手參賽資格。
3.線上選拔賽報名
（1）2020年5月7日至2020年6月14日，登陸AI Studio報名，參賽團隊使用已有百度賬號或新註冊百度賬號報名，在線完善相關信息，即可報名參賽。
組隊報名方法，隊長確認報名參賽後，點擊【複製鏈接邀請隊員】，並將【您的好友邀請您組隊參賽，詳情查看：xxx】內容發送給 1名 即將加入隊伍的隊員，隊員完善信息後可在"我的團隊"中查看，此時表明隊長已成功邀請 1名 隊員加入戰隊。重複上述方法邀請更多隊員加入戰隊，上限人數不超過3人。
組隊報名注意：邀請隊員僅在 比賽報名截止前 有效，邀請鏈接僅用於 單名隊員 加入。自比賽報名截止前一天起（6月13日），隊長不得轉讓隊長身份、解散團隊、移除隊員，隊員不得離開團隊。
（2）百度大腦AI Studio是基於百度開源深度學習平臺飛槳的一站式AI開發實訓平臺，提供在線編程環境、免費GPU算力、海量開源算法和開放數據，幫助開發者快速創建和部署模型。登錄AI Studio查看更多內容。
（3）百度大腦AI Studio爲參賽選手提供了免費GPU Tesla V100算力：登錄即送算力，每天登錄AI Studio並運行Notebook即可獲得10小時GPU算力。
（4）使用飛槳過程中遇到問題，加入飛槳官方QQ交流2羣**（796771754）**
車模發放
線上選拔賽結果排名top100的有效隊伍，大賽組委會提供深度學習無人車一輛，用於參加智能車競賽人工智能創意組比賽，比賽結束後歸還。考慮到參與學校數量較多，每個學校最多只能有一支隊伍進入前100名榜單。
反作弊聲明
- 參與者禁止註冊多賬戶報名，經發現將取消成績並嚴肅處理。
- 參與者禁止在指定考核技術能力的範圍外利用規則漏洞或技術漏洞等不良途徑提高成績排名，經發現將取消成績並嚴肅處理。
- 可以接觸到賽題相關數據的人員的提交作品將不計入最終排行榜參與評獎。
1.賽題說明
近年來，應用於監控場景的行人分析視覺技術日益受到廣泛關注。包括人體檢測、人體屬性識別、人流密度估計等技術在內的多種視覺技術，已獲得在居家、安防、新零售等多個重要領域的廣泛應用。其中作用於人流密集場景的人流密度估計技術（crowd density estimation）因其遠高於肉眼計數的準確率和速度，已廣泛應用於機場、車站、運營車輛、藝術展館等多種場景，一方面可有效防止擁擠踩踏、超載等隱患發生，另一方面還可幫助零售商等統計客流。
本試題以人流密度估計作爲內容，答題者需要以對應主題作爲技術核心，開發出能適用於密集、稀疏、高空、車載等多種複雜場景的通用人流密度估計算法，準確估計出輸入圖像中的總人數。
2.任務描述
要求參賽者給出一個算法或模型，對於給定的圖片，統計圖片中的總人數。給定圖片數據，選手據此訓練模型，爲每張測試數據預測出最準確的人數。
3.數據說明
本競賽所用訓練和測試圖片均來自一般監控場景，但包括多種視角（如低空、高空、魚眼等），圖中行人的相對尺寸也會有較大差異。部分訓練數據參考了公開數據集（如ShanghaiTech [1], UCF-CC-50 [2], WorldExpo’10 [3]，Mall [4] 等）。
本競賽的數據標註均在對應json文件中，每張訓練圖片的標註爲以下兩種方式之一：
（1）部分數據對圖中行人提供了方框標註（boundingbox），格式爲[x, y, w, h][x,y,w,h]；
（2）部分圖對圖中行人提供了頭部的打點標註，座標格式爲[x, y][x,y]。
此外部分圖片還提供了忽略區（ignore_region）標註，格式爲[x_0, y_0, x_1, y_1, …, x_n, y_n]組成的多邊形（注意一張圖片可能有多個多邊形忽略區），圖片在忽略區內的部分不參與訓練/測試。
4.提交結果
考試提交，需要提交模型代碼項目版本和結果文件。結果文件爲CSV文件格式，可以自定義文件名稱，文件內的字段需要按照指定格式寫入，其中，id表示圖片文件名，predicted表示圖片中行人個數。
結果文件，內容應參考如下：
| ID | Predicted |
|---|---|
| 1 | 23 |
| 2 | 50 |
| 圖片文件名 | 圖片中行人個數 |
1. 比賽詳情
此次比賽旨在讓參賽隊員利用百度"飛槳"深度學習框架參與並設計出高效、準確的紅綠燈檢測算法。
系統會開放200020000張紅綠燈數據作爲訓練集，4004000張作爲測試集；通過訓練集訓練數據得到檢測模型，把檢測模型運行在測試集上得到測試結果，最終系統會對測試結果的準確率/精確率/召回率進行評分，評分越高，成績越高。
數據集裏包含紅燈（red）、綠燈（green）兩種類別。
此數據採集的爲一個燈頭直徑200mm的紅綠燈，圖1給出了一張典型的場景圖像。圖2爲兩張訓練數據樣例。
2. 賽題說明
（1）比賽任務
所有的參賽者要求，利用提供的訓練數據，訓練預測模型來預測測試數據中每一張圖象所包含的目標信息。
（2） 大賽數據說明
整個數據將被分爲訓練集與測試集。在訓練數據中，我們不僅提供彩色的場景圖像，同時我們也提供對應的標註信息，每張圖象對應一個xml文件。
訓練集：包括紅燈100010000張標註圖像，綠燈100010000張標註圖像；在訓練集中，對於每一幅彩色圖像，我們信息提供對應的紅綠燈標籤圖像。參與者可以利用全部的或者部分的訓練數據來訓練對應的預測模型。
測試集：包括紅燈2002000張圖像，綠燈2002000張圖像；在測試數據集中，我們僅僅提供場景圖像，不提供相應的標籤信息。參賽者要求利用訓練的模型來預測測試數據中的目標信息。
訓練數據文件夾中主要包括：jpg圖像文件以及對應的xml標籤文件；
xml標籤文件內容如下圖所示：
xml標籤文件不同部分含義：
- folder:指所在的文件夾名稱
- filename：對應的數據圖像
- size：輸入圖像大小（width,height,depth）
- object:標籤位置(xmin,xmax,ymin,ymax)
- (xmin,ymin):指標註框左上點座標
- (xmax,ymax):指標註框右下點座標
