基于人工智能的机器视觉技术，在推动企业实现智能制造，提高良品率及产品竞争力上具有重要价值。

LED瑕疵识别是其生产封装过程中质量控制的重要环节。目前，通过多角度光源技术，可以对20*30mm左右大小的LED灯珠进行成像，并且良次品以及不同瑕疵间具有一定的区分性。如何设计有效算法利用多角度光图像进行LED瑕疵识别，成为落地应用过程中需要突破的关键问题。

脑部MRI(Magnetic Resonance Imaging )全称为脑部磁共振显像，是反映脑部病变组织结构的显像，它根据有磁距的原子核在磁场作用下，能产生能级间的跃迁的原理从而为临床提供疾病的生物脑部结构信息。现代医学临床实践表明使用MRI可极大的提高确诊精度，从而为脑癫痫病、脑肿瘤、帕金森病、阿尔茨海默综合症等患病初期不明显的脑疾病提供了有效的早期检测手段。从而延缓发病，对后续患者康复治疗有着积极的意义。

语音增强是为了提高在嘈杂环境中录制音频时的语音质量和清晰度。应用包括电话交谈、视频会议、电视报道等。语音增强也可用于助听器、语音识别和说话人识别。由于语音的视觉方面基本上不受声学环境的影响，因此，目标说话人的视觉信息，如嘴唇运动和面部表情，也可以被用于语音增强系统作为辅助信息。有效地融合声音和视觉信息来增强音频的多模态语音增强方法越来越受到关注。
本次大赛音频和视频数据作为训练样本，参赛选手需基于提供的样本构建模型，对带噪语音进行去噪。

比赛背景Challenge Description

GOALS挑战赛是由百度在MICCAI 2022上举办的国际眼科赛事。MICCAI是由国际医学图像计算和计算机辅助干预协会 (Medical Image Computing and Computer Assisted Intervention Society) 举办的跨医学影像计算和计算机辅助介入两个领域的综合性学术会议，是该领域的顶级会议。与此同时，百度将在MICCAI 2022上组织第九届眼科医学影像分析研讨会Ophthalmic Medical Image Analysis (OMIA9)。

The GOALS Challenge is an international ophthalmology competition held by Baidu at the MICCAI2022. MICCAI is a comprehensive academic conference in the fields of medical image computing and computer assisted intervention, and is the top conference in these fields. At the same time, Baidu will organize the 9th Ophthalmic Medical Image Analysis Workshop (OMIA9) at MICCAI 2022.

赛题背景Task Background

光学相干断层扫描（OCT）因其无接触、非侵入性的特点，已成为眼部疾病诊疗中的常规检查，可为医生提供视网膜结构图像。与只能提供视网膜表面信息的彩色眼底图像相比，OCT图像可以提供视网膜的横断面信息，因此可以更准确地分析视网膜结构。层的分割和厚度量化对许多视网膜和视神经疾病的诊断有帮助，例如青光眼、黄斑变性或糖尿病性视网膜病变。在青光眼的诊断中，使用OCT比使用眼底彩色图像更容易发现早期病例。因此，本次挑战赛围绕OCT图像设计了两个任务：

1. 环扫OCT图像的层分割任务，以确定视网膜神经纤维层、神经节细胞丛层和脉络膜层，这有助于青光眼的诊断和区分；
2. 青光眼的自动诊断任务。

由于深度学习方法在OCT图像分析中的高性能，相信很多参与者会使用这种方法。为了满足深度学习方法训练过程中广泛分布的数据集的要求，我们提供了由两种不同设备收集的300张环扫OCT图像。

Optical Coherence Tomography (OCT) is a powerful tool for the diagnosis of ocular diseases, since the image acquisition consists in a contactless, non-invasive method which gives a set of images of the main retinal structures in real time. Compared with color fundus images, which can only provide retinal surface information, OCT images can provide a cross-sectional information of the retina, so it can be more accurate analysis of the retinal structure. Segmentation and quantification of layer thickness is useful in the diagnosis of many retinal and optic nerve disorders, for example, glaucoma, macular degeneration or diabetic retinopathy. In the diagnosis of glaucoma, it is easier to detect early cases using OCT than using fundus color images. In this challenge, we design two tasks around OCT images:

1. A segmentation task to determine the retinal nerve fiber layer, ganglion cellinner plexiform layer, and choroidal layer, which are helpful for diagnosis and differentiation of glaucoma;
2. An automatic diagnosis task of glaucoma.

It is believed that many participants will use the deep learning method due to its high performance in OCT image analysis. To meet the requirement of widely distributed dataset in the training process of the deep learning methods, we provide 300 circumpapillary OCT images collected by two different devices.

 当前互联网智能问答应用中，基于问题与答案对的检索式问答应用广泛。百度知道、知乎和各类问答平台的智能客服都会收集用户的高频问题和对应答案形成问答对数据库，再通过检索式问答方法来为用户提供准确的问询服务。因此，高效构建高质量的问答对数据库成为该应用的关键问题与难点。同时，互联网上存在着大量的非结构化或半结构化网页文本数据未被充分利用，如果能从这些数据中自动提取出问题和答案对数据，将为检索式问答提供极大助力。

  在自然语言处理相关技术中，阅读理解可以基于问题和文本数据，从文本数据中找出问题对应答案，得到问题答案对数据。该技术在保障较高的准确率下可实现问答对数据的高效构建，并经由人工简单验证实现高质量问答库构建。

  为此，我们组织本次测评任务，针对民航出行领域中信息动态更新频繁、用户出行问答需求旺盛及大量文本数据使用价值较低等问题，探索基于阅读理解技术实现从民航相关网页的文本数据中精准抽取出的问题和答案对。一方面有助于更好地组织管理民航领域常用知识，为用户提供更好的问询服务；另一方面也为基于阅读理解的问答对生成方法在其他领域的实践应用提供相关思路，探索垂直领域内的问答对构建范式。

评测任务github链接：https://github.com/BDBC-KG-NLP/CCL2022-DQAB

• 在近年实海域航行竞赛中，出现了诸如：海面反光导致目标检测虚警、波浪抨击导致跟踪目标突然丢失、喷溅液滴悬挂导致光学识别失效等特殊场景的人工智能算法应用问题。海洋智能装备与系统最典型的技术特征就是具有智能演进能力。有鉴于此基于实海域试验场，积累大量测试数据，持续更新迭代算法参数与架构，实现海洋装备智能演进，是智能船艇发展的关键路径。
• 在2022年竞赛环节中设置“实海域目标识别算法赛”赛项，通过组委会提供的真实环境下的水面实景视频（训练集为海面船艇海试过程中录制的影像视频），检测出不同海上目标（如船只、海岸等）在画面中的位置。
• 选取视频片段最终帧画面进行识别。 提倡选手自行补充数据集以提高识别的泛化能力
• 提倡选手通过使用视频的前段画面提高最终帧画面识别的精度。

• 声呐是一种声学探测设备，利用声波在水中的传播和反射特性，通过电声转换和信息处理进行探测、测距和导航，是水声学中应用最广泛、最重要的一种装置，广泛应用于搜救打捞、海洋工程、码头检查、环境监测、现场清理和水下调查等领域。
• 在2022年竞赛环节中设置“水下智能感知”赛项，将待测目标悬挂在实验转台下方，目标旋转360°，获取目标全方位的声图像；将图像声纳吊放在目标同一深度，在目标旋转过程中，记录目标全方位的声图像。
• 通过组委会提供的真实环境下的全方位水下声呐图像，对不同种类水下目标进行分类标注。允许选手自行补充数据集以提高识别的泛化能力。

       文本事件抽取旨在将非结构化文本中的事件信息进行结构化，是自然语言处理的重要研究领域。事件检测作为事件抽取的子任务之一，旨在从给定文本中识别事件触发词(trigger)并将其分类到正确的事件类型，触发词指的是标记事件出现的核心词语或短语，事件类型为数据集中预先定义的类型。

  近年来，虽然基于深度神经网络的模型在事件检测问题上取得了良好的效果，但同样受限于深度学习方法对训练数据集的高质量要求，在数据集存在样本分布不均衡、数据标注质量欠佳、对抗数据污染等问题时，模型有效性往往难以得到保证，缺乏鲁棒性。

  针对上述问题，本次竞赛将基于中文领域新闻事件检测数据集（Field News for Event Detection，FNED）发布高鲁棒性要求下的领域事件检测挑战，旨在通过竞赛促进领域事件检测模型鲁棒性的研究，支撑事件抽取相关技术的落地，并推动相关领域人工智能应用的发展。

文本检索系统是针对海量文本数据的基本分析工具，用于根据用户信息需求在大规模文档集中精准定位特定文本。近年来，基于深度神经网络的文本检索技术取得了突出进展，但仍然存在语义理解水平低、推理能力不足、依赖大规模标注数据等问题，难以充分满足实际业务应用需求。

  本赛题面向大规模英语新闻数据的智能分析业务场景，针对现有文本检索技术存在的不足，设置语义检索和智能问答两类赛题任务：语义检索任务主要考察参赛系统篇章级语义理解能力；智能问答任务仅提供少量训练样本，不允许参赛者使用外部数据，重点考察参赛系统在小样本或迁移学习条件下的语义理解和推理能力。