大挑战：2022年偏移挑战赛
Shifts Challenge 2022 的目标是提高研究界对分布偏移、鲁棒性和不确定性估计问题的认识，并确定解决这些问题的新方案
基本信息
资源简介
大挑战：2022年偏移挑战赛
Grand Challenge: Shifts Challenge 2022 是一个面向研究社区的数据集与竞赛项目，其核心目标是提升研究者对分布偏移、鲁棒性以及不确定性估计等问题的关注，并推动形成新的解决思路。该挑战赛在神经系统疾病领域具有明确的应用指向，同时涉及其他相关方向。竞赛设置了两条全新的赛道，分别聚焦于脑部三维磁共振成像中的白质多发性硬化病灶分割，以及海上货船功率估计。数据集来源于 shifts.grand-challenge.org，属于神经系统疾病及其他类别的资源。整体而言，该数据集旨在为分布偏移与不确定性估计等机器学习鲁棒性问题提供评测场景，并通过竞赛形式汇集研究力量，探索更稳健的建模方案。
【数据集背景】
Shifts Challenge 2022 的设立动机在于唤起研究界对分布偏移、鲁棒性和不确定性估计问题的重视。分布偏移指训练数据与测试数据分布不一致时模型性能下降的现象，鲁棒性则关注模型在扰动或新环境下的稳定表现，不确定性估计旨在让模型对自身预测的可靠程度进行量化。该挑战赛希望通过竞赛形式识别并推广新的解决方案，推动相关方法在真实场景中的落地。竞赛包含两条新赛道，其中一条与神经系统疾病直接相关，即脑部三维磁共振成像中的白质多发性硬化病灶分割；另一条则面向海上货船功率估计，属于不同领域的应用任务。
【数据内容】
该数据集围绕两条赛道组织。第一条赛道涉及三维磁共振成像（MRI）中的白质多发性硬化（MS）病灶分割，任务目标是在脑部三维 MRI 影像中识别并分割白质多发性硬化病灶。第二条赛道涉及海上货船功率估计，任务目标是对海上货船的功率进行估计。除上述任务描述外，源站未提供关于样本量、影像模态细节、标注格式、标签体系、船舶特征字段等更具体的数据内容说明。
【采集与来源】
该数据集来源于 shifts.grand-challenge.org，属于 Grand Challenge 平台上的竞赛项目。源站未提供关于数据采集地点、采集设备、采集时间、受试者来源、船舶数据来源、伦理审批或数据脱敏流程等具体信息。
【适用场景】
该数据集适用于研究与评测分布偏移、鲁棒性和不确定性估计相关问题。具体而言，可用于脑部三维 MRI 中白质多发性硬化病灶分割任务的模型开发与评估，也可用于海上货船功率估计任务的模型开发与评估。此外，该挑战赛的设置适合作为方法对比与基准测试的场景，帮助研究者检验模型在分布变化条件下的表现，并探索不确定性估计方法在实际任务中的有效性。
【使用方法】
该数据集以 Grand Challenge 竞赛形式发布，参与者可围绕两条赛道分别开展模型训练与评测。源站未提供关于数据下载方式、训练集与测试集划分、提交格式、评价指标、基线方法或计算资源要求等具体使用说明。
【质量与限制】
源站未提供关于数据质量、标注一致性、类别平衡、缺失情况、偏差来源或使用限制的具体说明。由于该挑战赛聚焦分布偏移与鲁棒性问题，其设计本身即关注模型在分布变化下的表现，但具体的数据质量指标与限制条件在源站描述中未予提供。
【引用与许可】
源站未提供关于引用格式、许可协议、使用条款或商业使用限制的具体信息。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
需登录公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
暂未开放有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://shifts.grand-challenge.org/
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据说明
2022年Shifts挑战赛的目标是提高研究界对分布偏移、鲁棒性和不确定性估计问题的认识，并寻找解决这些问题的新方法。本次竞赛将包括两个新赛道：脑部3D磁共振成像（MRI）中的白质多发性硬化症（MS）病灶分割，以及海上货船功率估计。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
