{
  "fetched_at": "2026-10-24T15:11:46Z",
  "source_url": "https://www.kaggle.com/competitions/automathon-2024-deepfake-detection/data",
  "pages": [
    {
      "name": "data-description",
      "content": "Ce dataset est incomplet, celui-ci comporte 102 vidéos à 15fps et est un dataset experimental pour pouvoir verifier que votre code fonctionne avant de l'executer avec le dataset complet sur la DGX.\n\nle fichier metadata.json indique si une video est deepfake ou non.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Le Hackathon ce déroule à CentraleSupélec du Mardi 30 Avril 19h au Mercredi 1er Mai 19h.\n\nIl y a 3 datasets: `train_dataset`, `test_dataset`, et `experimental_dataset`.\n\nSeul le dataset experiemental est téléchargeable sur Kaggle. Le reste est sur la DGX au HubIA.\nVous aurez droit à être en équipes de 2-3 participants et vous pourrez faire tourner vos modèles sur la DGX.\n\nPour commencer, visitez le [Github](https://github.com/Automatants/automathon-2024)\n\nPour le Guide des bons usages, et de l'aide pour les bugs, visitez le [notion](https://www.notion.so/Automathon-2024-Guide-des-Bons-Usages-0daab33e0dc9410ea895558ccc915f7d#b0dbd6e63d8c4434b072ac78d55f197f)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "L'evaluation est faite à partir de l'accuracy, c'est à dire le nombre de detections justes sur le total.\n\nIl faut rendre un fichier `test.csv` sous le format suivant:\n\n```csv\nid,label\n0,1\n1,0\n2,0\n...\n```\n\navec 1 correspondant à `fake` et 0 à `real`",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "1. Vous n'avez pas droit a d'autres Datasets\n2. Vous ne pouvez pas plagier du code\n3. Vous n'avez uniquement droit aux libraries du venv (torch, torchaudio, torchvision, numpy, matplotlib, timm, pandas)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": "![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F14427044%2F16fc7aff73ad3b948e1be8164e882552%2Fautomathon.png?generation=1714409867057138&alt=media)\nL'Automathon DeepFake est un hackathon passionnant organisé par Automatants, l'association dédiée à l'intelligence artificielle de CentraleSupélec. Cette édition met l'accent sur la détection des DeepFakes dans les vidéos. Les participants auront l'opportunité de mettre à l'épreuve leurs compétences en matière de vision par ordinateur et d'apprentissage automatique pour lutter contre la prolifération des faux médias.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Winning Solution",
      "content": "La solution gagnante était l'utilisation d'un EfficientNetB3 suivi d'un classifier linéaire, entrainé sur un Dataset traité en croppant les vidéos pour récupérer uniquement les visages sur un frame par vidéo.\n\nCette solution a eu un score F1 de ~0.87 !\n\nLa solution est sur [Github](https://github.com/Automatants/automathon-2024-winning-solution)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}