BirdCLEF+ 2025

Цель: Основная задача — разработать модели машинного обучения для автоматической идентификации звуков животных, включая птиц, амфибий, млекопитающих и насекомых. Соревнование направлено на поддержку биоразнообразия и совершенствование технологий мониторинга дикой природы. В фокусе — Средняя долина Магдалены в Колумбии, регион с невероятным биологическим разнообразием.

Животные, представленные в соревновании:

🐦 Птицы — туканы, попугаи, трогоны, тана́гры, козодои
🐸 Амфибии — древолазы, стеклянные лягушки, древесные жабы
🐒 Млекопитающие — коати, обезьяны, опоссумы, летучие мыши
🐞 Насекомые — сверчки, цикады, шершни, жуки

Данные:

Аудио (формат .ogg) — полевые записи, собранные автономными устройствами.
Метки присутствия видов, включая координаты, время и идентификаторы.
Таксономическая информация — названия на латыни и местных языках.
Метаданные — геопозиция, время суток, качество записи, устройство и др.

Метрика: Оценка моделей проводится по модифицированной macro-averaged ROC-AUC, которая рассчитывается только по тем классам (видам), в которых присутствуют положительные примеры. Это позволяет избежать искажения метрики из-за редких или отсутствующих в тесте классов.

Сроки:

📅 10 марта 2025 — старт соревнования
✅ 29 мая 2025 — дедлайн на вход в соревнование
🤝 29 мая 2025 — последний день для объединения в команды
📤 5 июня 2025 — дедлайн на отправку финальных решений

🔗 Ссылка на соревнование: BirdCLEF+ 2025

🐥Рекомендуем посмотреть разбор призового решения Владислава Cornell Birdcall Identification, а также призовые решения предыдущих BirdCLEF на Kaggle.
🤖И найти себе команду в боте @MLTeamSearchBot.

🧬 Stanford RNA 3D Folding

Цель:
Построить модели, способные предсказывать трёхмерную структуру РНК по её последовательности. Эта задача критически важна для фундаментальной науки и разработки новых методов лечения — от понимания функций некодирующих РНК до дизайна РНК-основанных терапий.

Данные:
Последовательности РНК (буквы A, U, G, C).
Точные 3D-координаты атомов (экспериментально определённые) для обучения.
Дополнительные метаданные (длина цепи, химические свойства и пр.).

Метрика:
💡 Используется TM-score (Template Modeling Score) — метрика, оценивающая структурное сходство между предсказанной и эталонной 3D-структурой.
Диапазон значений: от 0 до 1, чем выше тем лучше.
Оценка проводится по 5 предсказаниям на каждую РНК, в зачет идет лучшее из пяти, а итоговая метрика — это среднее по всем целевым РНК

🔬 Выровненные структуры сравниваются с эталоном независимо от последовательности (US-align используется для привязки по пространственным координатам).

Сроки:
🟢 27 февраля 2025 — старт соревнования
🥇 23 апреля 2025 — обновление паблик-таблицы, а также Early Sharing Prizes 🎁
✅ 22 мая 2025 — дедлайн для входа в соревнование и объединения в команды
📤 29 мая 2025 — последний день для сабмитов
🧪 24 сентября 2025 — официальный конец соревнования после пост-оценки новых RNA-последовательностей

Post-Competition:
После дедлайна модель участников будет дополнительно оцениваться на до 40 новых RNA-последовательностях, которые появятся уже после завершения основной фазы. Это уникальный формат соревнования с "живым" leaderboard.

🔗 Ссылка на соревнование: Stanford RNA 3D Folding
🏆Рекомендуем посмотреть призовые решения предыдущих соревнований на Kaggle связанных с RNA(РНК).
🤖И найти себе команду в боте @MLTeamSearchBot.

📸 Image Matching Challenge 2025

Цель:
Разработать алгоритмы, которые:

Группируют изображения, относящиеся к одной сцене (или исключают «лишние» — outliers).
Восстанавливают позу камеры (матрица поворота + вектор смещения) для каждой сцены — задача из области Structure-from-Motion (SfM).

💡 Представьте, что вы открыли коробку с пазлом… а в ней перемешаны детали от разных наборов. Задача: сначала разделить изображения по "сценам", а затем точно «собрать» каждую из них в 3D.

Что в данных:

Много наборов изображений, каждая сцена содержит несколько ракурсов.
Некоторые изображения — outliers (не относятся ни к какой сцене).
Для train-набора доступны матрицы поворота (R) и векторы смещения (T) для всех "правильных" изображений.

В test — только изображения, вам нужно предсказать кластер (сцену) и позу камеры.

📊 Метрика, комбинирующая:

mAA (mean Average Accuracy): аналог recall — сколько правильных изображений попало в кластер.
Clustering Score: аналог precision — сколько из кластера действительно относится к сцене.
Финальный результат — гармоническое среднее mAA и Clustering Score, усреднённое по всем наборам.

Сроки:

🚀 Старт: 1 апреля 2025
🤝 Регистрация и команды: до 26 мая
📤 Финальные сабмиты: до 2 июня
🧠 Workshop на CVPR 2025: 11 июня 2025 (Нэшвилл, США или онлайн)

💰 Призовой фонд — $50,000 и шанс выступить на CVPR!
🥇 1 место: $12,000
🥈 2 место: $10,000
🥉 3–5 места: $10K / $10K / $8K

🔗 Ссылка на соревнование: Image Matching Challenge 2025

🏆Рекомендуем посмотреть интервью с победителем прошлого Image Matching Challenge 2024, где Владислав Останькович рассказал как ему удалось занять 1 место 🥇
А так же видео про Computer Vision.
🤖И найти себе команду в боте @MLTeamSearchBot.