全球校园人工智能算法精英大赛

赛题一、大规模SAR图像多类别有向目标检测

赛题概述：

合成孔径雷达（SAR）图像因其独特的成像机制，能够在无光照或恶劣天气条件下获取地表高质量图像，是军事侦察、人道主义救援、地球观测等关键领域不可或缺的观测工具。在当前国际环境日趋复杂和动荡的背景下，提高SAR图像中目标检测的准确性和效率，对于提升我们的应急响应能力、加强国防安全和推动环境监测等方面具有重要意义。而SAR图像的图像特点决定了它不能像光学图像一样通过人眼就可对其进行直观解译，SAR图像的判读往往需要依靠专家的经验知识，难度高，解译效率低下。

出题单位：南开大学计算机学院媒体计算实验室

出题人：程明明、李翔、侯淇彬、戴一冕、李宇轩、张鑫

      •  赛题交流QQ群：369277929（验证信息请注明“学校名称”+“学生姓名”）

      •  邮    箱：yuxuan.li.17@ucl.ac.uk

赛题文档：

完整技术规范与竞赛细则详见：《大规模SAR图像多类别有向目标检测竞赛细则》

特别说明：

《大规模SAR图像多类别有向目标检测》赛题报名官网：https://www.bohrium.com/competitions/7687826632?tab=introduce

 

赛题二、4D毫米波雷达和单目摄像头视觉融合算法

赛题概述：

传统的3D毫米波雷达点云因点云极其稀疏且缺少关键的高度信息通常用作目标检测的辅助信息。新一代的高分辨率4D（3D空间位置+1D速度）毫米波雷达具有更高的分辨率和俯仰角高度测量能力，有着出色的3D目标检测潜力。但由于其进入市场时间较晚，目前4D毫米波雷达点云与视觉融合的目标检测算法相关研究还比较少，4D雷达数据集较少，且都是在长距离下采集的数据集。因此本赛题提供道路环境下车载4D毫米波雷达和摄像头采集数据，要求参赛团队能够基于该数据集完成雷视融合3D目标检测。主要考核参赛团队对数据增强、雷视数据对齐、特征融合等关键技术的掌握和创新能力。

出题单位：南京航空航天大学

出题人：郝洁

      •  赛题交流QQ群：730575503（验证信息请注明“学校名称”+“学生姓名”）

      •  邮    箱：ymhhmy01@foxmail.com

赛题文档：

完整技术规范与竞赛细则详见：《4D毫米波雷达和单目摄像头视觉融合算法竞赛细则》

 

赛题三、视觉+几何+语义：多源异构数据协同的视频目标跟踪

赛题概述：

本赛题旨在推动复杂场景下准确鲁棒的视觉目标跟踪算法发展，鼓励参赛者通过多源数据融合和视觉目标跟踪理论方法的创新改进，有效提升视觉目标跟踪性能。本赛题将提供包含可见光RGB图像序列、深度Depth图像序列和文本数据的目标跟踪数据集。参赛队伍需要设计基于三模态数据输入的视觉目标跟踪算法，充分利用多源异构数据互补信息（视觉+几何+语义），实现复杂场景下目标的精准跟踪。本赛题主要考察参赛学生的问题分析、数据处理、深度网络构建、算法及编程、数据可视化等能力。

出题单位：江南大学

出题人：吴小俊、朱学峰、徐天阳

      •  赛题交流QQ群：1011080681（验证信息请注明“学校名称”+“学生姓名”）

      •  邮    箱：xuefeng.zhu@jiangnan.edu.cn

赛题文档：

完整技术规范与竞赛细则详见：《视觉+几何+语义：多源异构数据协同的视频目标跟踪竞赛细则》

 

赛题四、网络监督细粒度图像识别

赛题概述：

细粒度图像识别是计算机视觉和模式识别领域的重要分支，其目标是对物体的子类别进行精确识别。例如，在犬类分类任务中，区分“哈士奇”和“阿拉斯加”这两类犬种。由于子类别间往往类间差异较小，而类内差异较大，使得细粒度识别相比传统图像分类更具挑战性。近年来，深度学习驱动的机器学习算法在多个领域取得了显著进展。这些成功广泛依赖于大规模高质量的数据标注。这种依赖性在细粒度图像识别任务中尤为明显，因为该任务通常需要专业领域知识进行精确标注。然而，人工标注大量高质量标签不仅困难而且成本高昂，限制了细粒度识别模型在实际应用中的可扩展性。因此，使用免费的网络数据训练细粒度识别模型吸引了越来越多研究者的关注。然而，网络数据通常存在标签噪声、数据偏差、长尾分布等问题，拥有强大拟合能力的深度网络利用此类数据进行训练时往往出现显著过拟合问题，无法在测试数据上获得良好的泛化表现。

本赛题希望通过网络监督细粒度识别模型的开发，探索在噪声数据环境下提升模型稳健性的方法，并利用网络数据训练高效的细粒度识别模型，以减少对大规模人工标注数据的依赖，同时提升算法的实用性和可扩展性。

出题单位：南京理工大学计算机科学与工程学院智能媒体分析实验室

出题人：舒祥波、姚亚洲、孙泽人、盛猛猛

      •  赛题交流QQ群：731220935（验证信息请注明“学校名称”+“学生姓名”）

      •  邮    箱：zerens@njust.edu.cn

赛题文档：

完整技术规范与竞赛细则详见：《网络监督细粒度图像识别竞赛细则》

 

赛题五、基于AI的智能旅行规划

赛题概述：

近年来，中国旅游市场持续增长，2023年国内旅游人次超45亿，个性化需求激增，但传统旅行规划工具面临三大核心问题：一是需求理解能力有限，难以解析用户自然语言中的复杂意图；二是动态适配不足，缺乏对交通、天气等实时数据的整合能力；三是知识更新滞后，难以及时跟进旅游信息变化。与此同时，大语言模型（LLM）为旅行规划带来新机遇，但仍需解决多渠道信息集成与可信方案生成等关键挑战。本赛题旨在推动智能体技术在真实决策场景的应用，促进大语言模型与神经符号系统的融合创新，为AI垂直领域发展提供重要实践范式。

出题单位：南京大学智能科学与技术学院、人工智能学院

出题人：郭兰哲、李宇峰、邵杰晶、杨骁文、张博闻、韩思予、于坤杨、周植

      •  赛题交流QQ群：768721120（验证信息请注明“学校名称”+“学生姓名”）

      •  邮    箱：guolz@nju.edu.cn

赛题文档：

完整技术规范与竞赛细则详见：《基于AI的智能旅行规划竞赛细则》

Codebase：https://github.com/LAMDASZ-ML/ChinaTravel

 

赛题六、基于高校图书馆借阅数据的用户潜在图书借阅结果预测推荐

赛题概述：

随着高校图书馆数字化建设的不断推进，借阅数据成为反映用户阅读兴趣和行为习惯的重要资源。图书馆积累了大量的借阅记录，如何利用这些数据挖掘用户的潜在需求并进行精准的图书推荐，已成为提升图书馆服务质量和用户体验的关键问题。借助人工智能和数据挖掘技术，开发高效的图书推荐算法，不仅能够优化资源配置，还能为用户提供个性化的阅读建议，推动校园阅读文化的发展。

出题单位：南京航空航天大学

出题人：模式分析与机器智能工业和信息化部重点实验室

      •  赛题交流QQ群：614278600（验证信息请注明“学校名称”+“学生姓名”）

      •  邮    箱：tushujieyue233@163.com

赛题文档：

完整技术规范与竞赛细则详见：《基于高校图书馆借阅数据的用户潜在图书借阅结果预测推荐竞赛细则》

 

赛题七、离线强化学习工业应用

赛题概述：

随着智能制造浪潮席卷全球，传统工业控制系统在提升生产效率、降低能耗和保障安全生产方面正面临日益严峻的挑战。依赖专家经验与手动调参的传统方法，已难以应对日益复杂多变的工业环境和多种动态干扰。近年来，强化学习在自适应控制领域崭露头角，展现出卓越潜力；但由于在线试验不仅成本高昂，还伴随安全风险，其在实际工业现场的应用受到制约。相比之下，离线强化学习通过充分挖掘历史操作数据与工况记录，在无风险的仿真环境中训练出高效且稳定的控制策略，为工业系统的自动化与智能化升级开辟了全新的路径。

出题单位： 南京大学人工智能学院、南栖仙策

出题人： 俞扬、秦熔均、高耸屹、屠作霖

      •  赛题交流QQ群：437743461（验证信息请注明“学校名称”+“学生姓名”）

      •  邮    箱：songyi.gao@polixir.ai

赛题文档：

完整技术规范与竞赛细则详见：《离线强化学习工业应用竞赛细则》