{
  "fetched_at": "2026-10-19T07:44:24Z",
  "source_url": "https://www.kaggle.com/competitions/auo-small-data-fungi-day1/data",
  "pages": [
    {
      "name": "data-description",
      "content": "# 來源\n* FUNGI資料集\n\n# Source Datasets\n* Source Datasets中總共有300種蘑菇的圖片\n* Source Datasets中每種類數量10張\n* 每張圖片大小不一\n\n## 建議訓練方式:\n1. 每個task從Source Datasets 300種抽隨機3種作為support來源，依抽取順序定label為0,1,2\n2. 每種隨機選取5張做為support data\n3. 從support的3種中不重複的再抽取一張作為query data\n4. 重複抽取數個task，預測每個task每個query的label\n\n# Target Datasets\n* 額外110種蘑菇作為可能的小資料圖片來源 \n* Target Datasets中共有110種蘑菇照片\n* Target Datasets中每種類數量5張\n* Query Data共有2200張照片，\n\n## 驗證方式\n1. 根據test表格讀取query set中的一筆資料，後面三種\n2. test表格會列出該query屬於哪個task，會從110種裡面選三種作為support來源，依抽取順序定label為0,1,2\n3. 每種隨機選取5張做為support data\n4. 判斷該task的結果query應屬於哪組support從屬的類別 (0,1,2)\n5. 再進行test表格中下個task\n\n# Files:\n- source.zip - 已分類的Source Dataset\n- target_s.zip - 已分類的Target Dataset中拿來取support的部分\n- target_q.zip - Target tasks 中query的圖片\n\n- SampleSubmission1.csv - submission示範，內有交件格式\n\n- test1.csv - 列出每個query及所屬的task中依序為哪些分類\n\n## SampleSubmission1.csv Data Fields:\n- filename: 圖片檔名\n- ans: 屬於哪個support (0,1,2)\n\n## test1.csv Data Fields:\n- filename: 圖片檔名\n- support_0: 第0個support的類別名稱\n- support_1: 第1個support的類別名稱\n- support_2: 第2個support的類別名稱",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "# 小資料蘑菇圖片識別\n要做Deep Learning時，常常遇到資料不足該怎麼辦?\n若之前已經有很多同類型的資料(例如新產品瑕疵圖片很少，但是之前已經有很多不同種舊產品瑕疵的圖片)，則可以使用許多meta learning的手法來訓練一個few shot learning模型。這個few shot learning模型可以快速學習或適應新的種類。\n為檢驗各位對小資料Deep learning處理方，請各位嘗試在所提供的大資料集中自己抽選多個小資料集做meta training，若有成功train出來，則在提供的數個小資料集中，都能達到不錯的預測成果。\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "計分方式以[平均F1 score](https://www.kaggle.com/wiki/MeanFScore)計分(同時考慮召回率與準確度)。\n其計算方法為\nF1-score = 2 * Precision * Recall / (Precision + Recall)\n\nRecall(召回率) = TP/(TP+FN)\nPrecision(準確率) = TP/(TP+FP)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "- 請使用source dataset來meta train\n- 請將Team Name修改成工號\n- 請使用任一種實作課教的Optimization Based方式來做: MAML、Reptile、 LSTM-optimizer\n- Don't cheat!\n- Apply yourself!\n- Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}