Annonce

Les commentaires sont clos.

GeoLifeCLEF 2022 challenge - Appel à participation

17 Mars 2022


Catégorie : Compétitions et challenges


Dans le cadre du workshop Fine-Grained Visual Categorization (FGVC9) à CVPR 2022 et du lab LifeCLEF à CLEF 2022, nous organisons le challenge GeoLifeCLEF 2022 sur la prédiction de présence d'espèces de plantes et d'animaux à partir d'images aériennes, de variables bioclimatiques, etc.

Le challenge est en ligne sur Kaggle à l'adresse suivante : https://www.kaggle.com/c/geolifeclef-2022-lifeclef-2022-fgvc9 ! À la croisée de l'apprentissage automatique, de la vision par ordinateur et de l'écologie, l'objectif est de prédire la présence d'espèces végétales et animales à un endroit donné en utilisant les données d'observation des communautés Pl@ntNet et iNaturalist.

 

Bonjour, Dans le cadre du workshop Fine-Grained Visual Categorization (FGVC9) à CVPR 2022 et du lab LifeCLEF à CLEF 2022, nous organisons le challenge GeoLifeCLEF 2022 sur la prédiction de présence d'espèces de plantes et d'animaux à partir d'images aériennes, de variables bioclimatiques, etc. Voici un descriptif plus complet en anglais : We are very happy to announce that the GeoLifeCLEF 2022 competition is now live on Kaggle at: https://www.kaggle.com/c/geolifeclef-2022-lifeclef-2022-fgvc9 ! At the crossroads of machine learning, computer vision and ecology, the goal is to predict the presence of plant and animal species at a given location using observation data from Pl@ntNet and iNaturalist communities. 1.6M geo-localized observations from France and the US of 17K species are provided - 9K plant species and 8K animal species. Each observation consists of a species name with the GPS coordinates where it was observed. These observations are paired with a set of covariates characterizing the landscape and environment around them. Covariates include high-resolution aerial imagery, land cover data, and altitude, as well as traditional low-resolution climate and soil variables. Illustration of the data and more details are provided here: https://www.kaggle.com/c/geolifeclef-2022-lifeclef-2022-fgvc9/data For newcomers, we provide code on our GitHub (https://github.com/maximiliense/GLC) including some data loading utilities and a PyTorch data loader. Also, some notebooks are accessible directly on Kaggle's competition Code tab for data loading and visualization as well as some baselines (Random Forest and CNN). We are excited to see creative solutions from participants and hope this challenge will foster momentum between ecology, machine learning and computer vision scientific communities!