中国大学生计算机设计大赛—人工智能实践赛赛道—赛后感想

我药打十个 2024-07-11 14:31:02 阅读 57

1.比赛介绍

中国大学生计算机设计大赛是我国高校面向本科生最早的赛事之一，是全国普通高校大学生竞赛排行榜榜单赛事之一。自2008年开赛至2019年，一直由教育部高校与计算机相关教指委等或独立或联合主办。大赛的目的是以赛促学、以赛促教、以赛促创，为国家培养德智体美劳全面发展的创新型、复合型、应用型人才服务。

2023年（第16届）中国大学生计算机设计大赛是由北京语言大学、中国人民大学、华东师范大学、东南大学、厦门大学、山东大学、东北大学等高校，以及清华大学、北京大学等高校的教师组成的中国大学生计算机设计大赛组织委员会主办，参赛对象为中国境内高校2023年在籍的所有本科生（含港、澳、台学生及留学生）。大赛以三级竞赛形式开展，校级赛——省级赛——国家级赛（简称“国赛”）。国赛只接受省级赛上推的本科生的参赛作品。

2023年大赛分设11个大类，分别是：（1）软件应用与开发；（2）微课与教学辅助；（3）物联网应用；（4）大数据应用；（5）人工智能应用；（6）信息可视化设计；（7）数媒静态设计；（8）数媒动漫与短片；（9）数媒游戏与交互设计；（10）计算机音乐创作；（11）国际生“学汉语，写汉字”。

大赛国赛共组合为6个决赛区，其竞赛作品类别、举办地点、承办单位、时间如下：

（1）大数据应用/国际生“学汉语，写汉字”；上海；东华大学/华东师范大学；7.17～7.21

（2）软件应用与开发；烟台；山东大学/山东工商学院/北京语言大学；7.22～7.26

（3）微课与教学辅助/数媒静态设计；沈阳；东北大学/中国人民大学；7.27～7.31

（4）人工智能应用；扬州；扬州大学/江苏省计算机学会/东南大学；8.8～8.12

（5）物联网应用/数媒动漫与短片；厦门；厦门大学；8.13～8.17

（6）信息可视化设计/数媒游戏与交互设计/计算机音乐创作；杭州；浙江传媒学院/杭州电子科技大学/浙江音乐学院；8.18～8.22

2.赛程经历

简单介绍一下我的参赛经历，博主是参加2023年的计算机设计大赛，当时大二，学了一年左右人工智能（主要是深度学习方向），就打算参加人工智能赛道挑战一下，顺便可以为我的简历添上一份光彩，人工智能赛道主要分为实践赛和挑战赛两个方向，挑战赛是直接现场改算法跑分，实践赛则是做好作品按要求提交就行。这个比赛相对来说含金量还不错，而且很多赛道都是做好作品然后提交，个人认为是性价比很高的比赛，但是这个赛道就不一定了，下面听我一一述说。

大二拿到了省一和国三的成绩，我不知道其他省的竞争情况如何，广东省里面想要获得比较好的奖还是有一点难度的。计设里面不同赛道获奖难度都不同，主要还是术业有专攻，我也不能说其他赛道就特别简单这句话，针对人工智能实践赛赛道，博主也是和两个比较好的搭档一个多月的时间赶出了个人认为较不错的作品，当时只是简单修改了算法，跑分还是有得提高的，用的是kaggle上面的数据集，因为当时算法那方面还不够强不够熟悉，所以我当时的设计图主要是以量来让作品好看一点，就是算法没有看起来那么强，但是我设计的功能多，界面好看。当时yolov8也是刚出没多久，我也立马用上了，也算赶上一个比较好的时机，用了一个比较新的算法，而且也做了一些改进提升。当初构思的是做一个医院癌症辅助的系统，主要作品介绍我就直接放视频，大家自行观看吧。（前面还有一些用echart组件做的一些病人分析，因为这部分不是我负责的，所以下面视频并没有展示，同时还结合了舍友额外赋予我的unity作品，当时是打算充当监控看到的画面的）

【2023年中国计算机设计大赛-人工智能赛道】有关肿瘤AI辅助诊断的作品_哔哩哔哩_bilibili

当初参加的时候以为就是做好一个人工智能相关的作品提交就可以，大家都是重新计划重新做的想法，如果在这个赛道你有这个想法，那你就太天真了，当初得到拿到省赛决赛资格的时候，其实还是比较紧张的，但是感觉做的确实挺完善的，也就心里忐忑的感觉，我当时答辩的排序是比较后的，当看到前面那些大佬作品的时候眼都快掉出来了，要么是算法有顶会支撑的，要么是有硬件支持的，有国家专利的等等，还记得很清楚有个是深大腾班的，也是做的肿瘤，只不过做一个肿瘤，别人是有实验室的，而且有医院提供的数据，当时用了transformer有关的算法进行语义分割，因为当时还没有学到transformer，就觉得很屌，现在学了transformer涉及的算法，还是觉得很屌。因为同是做肿瘤诊断的，我既没有很牛的算法，也没有医院提供的额外数据，所以当时就想回去了。准备到我答辩的时候超级超级紧张。果真，答辩的时候卡了，而且ppt做的很烂很烂的，因为三个大男人，两个负责前后端，就我一个负责人工智能这部分，所以文档和ppt都是我做的，当时卡词了。但是我的文档做了34页，专家一直在看文档，没怎么看我的答辩，所以我这部分扣分相对来说不是特别大。

到了答辩的时候，我记得专家问的问题有你的团队有多少人，我吹了牛逼，本来就3个，说成了8个，还有一些是什么什么医学院等等之类的。因为我是医药类大学的。然后还问了你为什么做3个肿瘤，好好的做好一个更好，我当时答的是我这个算法改的比较好，准确率高了，而且这几个肿瘤的准确率都挺高，说出了98以上的准确率，当时专家都挺开心的，因为我的数据集是kaggle的，准确率当时是没有特别有力的支撑（但是他们当时没问，我也没说），后面也问了我们之后的发展，我就说我们学校院长带领我们和我们的附属医院合作，后面打算拿更多数据进行训练，然后又说我们的系统已经落地了，答辩10分钟全靠吹，我也无语，不过也得亏我反应快，毕竟这种场合，已经火烧眉睫了。

答完之后挺开心的，专家没有特别为难我们，但是之前是有为难一下其他团队的，所以当时也是觉得能拿省一的，后面结果出的时候也不负众望。后面到国赛的时候一言难尽，分成了好多小组，我们小组的评委就跟吃了shit一样，一整个小组包了国二国三，大多数国三，不知道是眼光异于常人还是怎么样，我们当时答辩的时候已经是晚上9点了，专家很累，就催着搞快点，然后后面答辩QA的时候又在那里笑，问了啥我也记不太清了，但是好像是一直看不起的样子，当初答辩也问到了团队有多少人的问题，也是跟着之前那样吹。反正专家没兴趣也累，后面就草草结束了，结果出的时候只有国三，当初我们广东省有很多省二的都拿了国二，我当初也是想着拿个国二算了，至今为止我还是忘不了那几个评委，md，没有尊重别人作品的意思，虽然我第一次参加，ppt，文档和视频这些地方也还是有很多要改进的地方。但是这个比赛国二还是挺容易拿到的，省二省一能进国赛，部分省三能进国赛。

3.感想经验总结

只能说这个赛道是死亡赛道，当初在国赛看特色作品的时候也能看到有特别多大佬，其实这个比赛很多参加的都是师兄师姐一直做好传承下来的作品，毕竟人工智能这种东西每个学校都在搞，一时半会是搞不出什么好成绩的，如果没有特别好的论文或者是其他硬件专利等等还是慎重吧。我那年比上一年卷了好多，因为看了上一年的获奖名单就能看出来，作品题目层次都不一样的。

下面我还是说说如果要参加需要注意什么吧：

1.选题要新颖，主题那些要对社会有价值但是又比较少重视的，我当初是医药类学校所以选了癌症，因为公开数据集也挺多的。选那些道路检测的基本是做大头兵的

2.要改算法，小改也是改，要看到跑分跑高了，因为这个毕竟是人工智能赛道，专家想看到的还是跟人工智能有关的硬实力的。这个是在文档和ppt里面要重点展示的，而且能结合硬件就结合硬件吧，产品项目落地很重很重要

3.文档要做好，一定要详细工整，因为不同评委关注的点不同，我当时省赛评委比较注重文档，我做了34页，分析得挺全的，所以文档这方面改进算法，需求分析等等前因后果要写的清清楚楚

4.ppt要做好要美观，突出重点，主要还是你的算法你的作品，可以附带一下视频，但是不要太长，我当初的ppt附带的视频就太长了，我现在回头看也觉得自己可笑，不过当时是大二，一个人拦了这么多工作，也就没想这么多了，所以打算参加的同学一定要注意这点。而且答辩要自信，评委其实没有那么懂，真正懂人工智能算法的会这么便宜让你请过来。

5.作品的特色和创新点一定要突出，不能太随便，在基于选题比较好的前提下，会总结创新点和作品特色更胜一筹，这也是ppt里面需要提到的，这是可以故意引一下专家往这方面提问你，这样的话你顺着自己的优势说出来，即消耗了时间，又让专家对你印象深刻，下面是我作品的一些特色，比较菜，勿喷，主打参考。

作品特色：1、作品含有大量可视化图表展示实时数据，为用户提供了方便和帮助用户能及时收到系统提供的有效信息和查询系统信息，方便医疗情况的跟进。

拥有功能较多的图像处理功能，且功能主要针对医疗影像，且处理参数由用户自定义，方便用户使用，同时也能降低医疗影像的噪音点，有利于提高医疗影像的分割和检测效率和准确率。在癌症分析区域，用户可通过输入预处理好的医疗图像，最后分割出三种不同的分割结果，结果在保证准确率较高的前提下同时也结合原图生成三种不同作用的结果图，方便用户的观察和判断，同时对于会计算并输出癌症区域的参数（面积，周长，中心坐标等）在癌症追踪环节，用户可输入癌症视频后，可得到检测后的癌症视频，视频中的癌症区域会被识别出来并且在视频播放期间一直追踪，能为用户很好地反映癌症区域的变化情况，同时在对于视频的变化，系统会总结出变化的过程中癌症区域的数量和癌症区域的最大相对面积。

创新点：1、在Unet++模型训练和测试结果较为良好的基础上，在Unet++模型的基础上进行了改进，且准确率，损失值等其他指标都有所提高。

2、在YOLOv5模型训练和测试结果较为良好的基础上，同时更新了YOLOv8的模型，在YOLOv8模型测试的结果得到小幅度提升后，再次对YOLOv8进行优化，最后得出了优于前两个模型的结果。