{
  "fetched_at": "2026-10-19T13:51:42Z",
  "source_url": "https://www.kaggle.com/competitions/2019-ml-finalproject/data",
  "pages": [
    {
      "name": "rules",
      "content": "Under Construction",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "under construction",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "[https://github.com/sejongresearch/2019.Fall.PatternRecognition](https://github.com/sejongresearch/2019.Fall.PatternRecognition)\n\n## Topic\n- Image classification using Pattern Recognition\n\n### Goal\n- Paper Implementation  step by step \n  - [Beyond bags of features spatial pyramid matching for recognizing natural\nscene categories, CVPR 2006](https://inc.ucsd.edu/~marni/Igert/Lazebnik_06.pdf)\n  - [Author Slide](http://slazebni.cs.illinois.edu/slides/ima_poster.pdf)\n\n### Preliminary (Chapter)\n#### Theory\n- Clustering (Kmeans)\n- Vocabulary Tree (Kmeans + Tree)\n- PCA (Feature Selection)\n- Fisher Vector (Feature Selection)\n- SVM Classification/Kernel Trick (SVM)\n- Random Forest (Ensemble + Tree )\n- SIFT (+Sup Lecture)\n\n#### Tools\n- Colab + GPU (for large scale data)\n  - Kemans clustering using GPU\n  - Linear SVM using GPU\n- Sklearn\n- OpenCV\n\n\n### Requirement\n- Project Repository in your Github\n  - Make your repo. and submit your URL\n- Kaggle Leaderboard & Discussion\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Submission",
      "content": "### Submission Format\n\n| id | category |\n|:--:|:--:|\n|image_0001.jpg | 1 | \n|image_0002.jpg | 1 | ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Timeline",
      "content": "### 프로젝트 챌린지 일정\n- 12/14(리더보드마감)\n- 12/17(개별발표)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "## Evaluation\n\n### 평가 기준: (기본)\n- 텀프로젝트는 35점 만점입니다.\n  -  완성된 코드 제출시 기본점수 20점을 부여하고, 논문에 reporting 된 성능을 제출하면 15점이 추가 부여됩니다.\n  - 만약, 논문에 reporting 된 성능을 제출하지 못하면 구현하지 못한 사람들끼리 15점을 linear 하게 배분받습니다.\n    -  예) 논문 성능을 구현하지 못한 사람이 5명인 경우, ranking 순으로 하위 5등은 20+0점, 4등은 20+3점, 3등은 20+6점, 2등은 20+9점,  1등은 20+12점에 해당됩니다.\n\n### 평가 기준: (+)\n- 프로젝트 + 퀴즈 + 가산점 = 최대 50점 \n- 논문에 reporting 된 성능 구현보다 높은 정확도를 보이면 가산점 15점을 부여합니다. \n  -  가산점은 퀴즈에서 (-) 되었던 부분을 보완 받습니다. \n    - 이미 퀴즈가 15점 이라면 추가 가산점을 부여 받을 수 없으며,  중간/기말고사에서의 (-)는 보완되지 않습니다.\n  - 가산점은 최대 15점을 기준으로 Ranking 순으로 linear 하게 배분합니다.\n    - 예) 가산점 대상자가 3명이라면, 1등 15점, 2등 10점, 3등 5점을 배분합니다.\n    - 가산점 대상자가 없다면, 가산점은 아무에게도 부여되지 않습니다.\n  - 성능 향상을 위해 공개된 논문을 활용하셔도 좋습니다.\n    - 단, 인공신경망을 이용한 방법론이 아닌 전통적인 기계 학습 방법론이어야 합니다. \n- 발표평가에서 \"최고의 연사\"로 선발되면 가산점 3점을 부여합니다.\n- Github관리에서 \"최고의 코더\"로 선발되면 가산점 3점을 부여합니다.\n\n### 평가기준: (-)\n- Github 미 제출시 혹은 관리된 흔적이 없는 경우: 3점 감점\n- Leader Board만 제출하고 Discussion 미 제출시:  35점 감점\n\n### 논문구현성능지표\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F651513%2F61deccfc615bd13f27fc8f5f290f1cfe%2F.PNG?generation=1574161113194484&alt=media)\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Reference",
      "content": "Insert text here. Please use markdown.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}