视频国家工程实验室于2021年11月8日-12月10日举办了NELIVA FAT-AI聚类应用竞赛（以下简称：聚类竞赛）。本次聚类竞赛要求参赛者实现图像特征抽取和聚类算法，以聚类结果精确率和召回率的调和平均数（Pairwise F-score）为最终指标，评价参赛算法的综合聚类性能。排行榜按指标得分从高到低进行排名。

2022年1月21日，视频国家工程实验室发布了FAT-AI聚类竞赛的最新排行榜，浏览地址：https://mfat.neliva.com.cn/top?id=Clustering。本次聚类竞赛中最优秀的成绩为：Pairwise F-score：0.92985。

本次的冠军队是来自浙江****股份有限公司的iatface团队（应参赛者要求，暂不公布全称。）

（二）在聚类算法中，采用了基于图卷积网络的层次聚类算法。考虑到常用的整体聚类+精细化分割的思路难以适应竞赛对内存的限制，iatface团队借鉴了层次聚类的思路，即先将特征预分成一个个紧密的子簇进行预聚类，子簇之间的连接紧密可保证准确性，之后再对这些子簇进行合并。预聚类与合并模型均采用图卷积网络在大规模数据上进行训练。特别值得一提的是，iatface团队利用了第一点中提到的辅助属性特征，先将不同类型的特征拉齐到相近的稀疏程度，然后再一并聚类；

（三）在工程方面，有两个问题值得特别重视。一是内存问题。iatface团队在阅读竞赛指南时注意到，设备内存上限为16G，那么特征提取环节模型的内存占用、输入数据的内存占用等都有可能会紧张，在现实中，算法也必须保证低资源消耗，这也正是FAT-AI竞赛高要求与专业性的体现；二是耗时问题。考虑到前面的内存限制和此处的耗时要求，在耗时占比最高的相似度计算环节，iatface团队采用了根据系统当前内存余量动态调整批次大小的方法，充分利用了大矩阵乘法的速度优势，同时控制了内存占用。另外，iatface团队对深度学习推理引擎做了底层优化，排查了一些高耗时操作，并做了计算层合并等，最终耗时远低于FAT竞赛的限制时间。

     【冠军队赛后评价】：聚类算法是对相同ID的图片进行分类归档，是后续数据治理、快速检索和自动化清洗等实际应用的基础，也是很多上层语义挖掘的基础能力。本竞赛除了具有很高的前瞻性外，难能可贵的是，设置的限制条件充分展现了工业现实要求，具有较高的代表性。非常感谢主办方的辛勤工作，提供这次机会来帮助我们验证和提升聚类算法，可惜本次竞赛我们准备较晚，很多效果优化性细节未能充分考虑。我们后续将积极地参与FAT-AI的其他竞赛，不断锤炼、提升自己的技术水平。我们祝愿FAT-AI竞赛越办越好，在专业性、权威性、实用价值等方面打造成国内独具特色的赛事平台。

自视频国家工程实验室开展FAT2019应用测试以来，NELIVA FAT-AI成长至今已2年。FAT-AI一直坚持“以专业测评，引领视频AI技术创新及应用”为使命，努力打造成为科学、公正、开放的专业测评平台。近期，视频国家工程实验室以人工智能2035年发展目标和“十四五”发展路线为指导，拟定了2022年FAT-AI的竞赛计划。

2022年，视频国家工程实验室将进一步升级FAT-AI测试数据集，并拟于3月起分批次举办Re-ID竞赛、1:1竞赛、聚类竞赛、高仿真面具防伪检测竞赛、基于视频的目标分析竞赛等面向行业应用的竞赛。欢迎广大的视频AI研发者积极参与。2022，我们一起携手共进，为科技强国再谱华章！