При поддержке «Центра Биометрических Технологий», вендоров и крупных технологических компаний проходит первое уникальное всероссийское соревнование по биометрии.
Для кого хакатон?
Всероссийский хакатон — это возможность проявить себя перед топ-менеджерами биометрических вендоров и крупных технологических компаний. Продемонстрируй свои навыки и получи оффер в современную компанию.
Менторская поддержка от топовых экспертов
Наставниками на хакатоне станут ИТ-эксперты компаний, чья деятельность направлена на развитие биометрических технологий в России.
Финал в столице
Лучшие команды ждут три дня работы в кругу единомышленников, нетворкинг и много полезных знакомств.
Подарки
Самые активные участники смогут выиграть лимитированный мерч от партнёров хакатона.
Задачи в биометрии
Стань частью команды, которая улучшает биометрические технологии в стране!
Реши кейс и прокачай свои скиллы!
Разработайте сервис, который включает в себя алгоритм для создания видео дипфейков с изображением лица человека.
Целевая аудитория:
Системы биометрического распознавания широко используются для различных целей от разблокировки смартфонов до контроля доступа в здания и финансовых операций. Одновременно с развитием алгоритмов биометрического распознавания и доступностью вычислительных ресурсов все более убедительными и сложными для обнаружения становятся алгоритма атак на использующие их системы, что может представлять угрозу безопасности. Обучение моделей для создания дипфейков поможет в разработке алгоритмов для их обнаружения.
Цель:
Разработать инструмент, который позволит пользователям создавать высококачественные и убедительные дипфейки.
Стек:
На язык программирования ограничений нет. Есть ограничения на ОС: ubuntu 20.04 или выше.
Вводные данные:
база данных (изображения+видео) для обучения алгоритма собирается участниками самостоятельно любым доступным способом (можно использовать готовые базы на github).
Задача:
Разработка сервиса в docker контейнере со всеми необходимыми установленными библиотеками, который включает в себя:
Для решения задачи кейса участники могут не разрабатывать нейросети с нуля, а использовать предобученные нейронные сети, не имеющие ограничений на коммерческое использование, и “доработать их”.
Разработайте сервис, который включает в себя алгоритм для обнаружения дипфейков на видео с изображением лица человека.
Целевая аудитория:
С развитием технологий машинного обучения, особенно искусственных нейронных сетей, появились инструменты, позволяющие создавать реалистичные поддельные изображения, видео и записи голоса. Дипфейки, могут использоваться не только для дезинформации, манипуляции мнением общественности, но и для мошеннических действий в биометрических системах. Важной становится задача распознавания дипфейков с целью недопущения мошеннических операций, краж данных и взломов систем.
Задача:
Разработка сервиса в docker контейнере со всеми необходимыми установленными библиотеками, который включает в себя:
Разработатка инструмента, способного определять поддельные (сгенерированные с помощью AI) видеоизображения с высокой точностью.
Стек:
На язык программирования ограничений нет. Дистрибутив должен соответствовать разделу 4 Методических рекомендаций по подключению биометрических процессоров к Единой биометрической системе (далее - МР), API должен соответствовать приложению Б МР.
Вводные данные:
База данных (изображения+видео) для обучения алгоритма собирается участниками самостоятельно любым доступным способом (можно использовать готовые базы на github).
Дополнительно:
Для решения задачи кейса участники могут не разрабатывать нейросети с нуля, а использовать предобученные нейронные сети, не имеющие ограничений на коммерческое использование, и “доработать их”.
Алгоритм должен работать на данных, собранных с пользовательских устройств (мобильных телефонов, планшетов, веб-камер и т.д.) без необходимости приобретения и подключения дополнительного оборудования.
специалисты по компьютерному зрению, исследователи данных.
Стек:
На выбор исполнителя.
Задача:
Разработать и продемонстрировать пассивный (не требующий явных действий от пользователя) алгоритм защиты от атак предъявления, способный исполняться на мобильных устройствах. Спектр отсекаемых данным алгоритмом инструментов атак ограничен воспроизведением фото и видео с экранов телефонов, планшетов, ноутбуков, переносных мониторов с видимыми границами устройства воспроизведения и распечатанными фотографиями лиц с видимыми границами фотографии.
Дополнительно:
Использование внешних обучающих и тестовых наборов данных не ограничено.
Разработайте алгоритм биометрической верификации, используя новые модальности биометрических данных (за исключением изображения лица и записи голоса), полученные с пользовательских устройств (web-камеры и/или мобильные устройства).
Целевая аудитория:
С каждым годом количество цифровых устройств и сервисов, требующих идентификации пользователя, растет. Традиционные методы идентификации и аутентификации, такие как пароли или PIN-коды, не обеспечивают достаточной степени безопасности и удобства для пользователя. Добавление биометрических методов позволяет повысить уровень безопасности и комфорта. С появлением новых технологий и устройств в области биометрии появляется возможность использовать новые модальности данных для распознавания, которые могут быть более надежными, сложными для подделки и при этом удобными для пользователя, а также могут позволить людям, не имеющим возможность использовать существующие модальности (например, инвалиды по зрению или немые люди), получать услуги удаленно. Предыдущие методы, такие как распознавание лица и голоса, уже активно используются.
Стек:
На язык программирования ограничений нет. Дистрибутив должен соответствовать разделу 4 Методических рекомендаций по подключению биометрических процессоров к Единой биометрической системе (далее - МР), API должен соответствовать приложению А МР.
Задача:
Разработка алгоритма биометрической верификации (сравнение 1к1), используя новые модальности биометрических данных, которые не были ранее широко применены в этой области, для создания надежного и быстрого метода биометрической верификации.
Вводные данные:
База данных для обучения алгоритма собирается участниками самостоятельно любым доступным способом (можно использовать готовые базы на github).
Дополнительно:
Нельзя использовать готовые open source алгоритмы, можно использовать предобученные нейронные сети, не имеющие ограничений на коммерческое использование.
Биометрические данные должны собираться с пользовательских устройств (мобильных телефонов, планшетов, веб-камер и т.д.) без необходимости приобретения и подключения дополнительного оборудования.
Порядок регистрации:
Cтарт приёма заявок;
до 6 ноября 23:59 мск
Регистрация;
7-9 ноября
Подтверждение участия;
10-12 ноября
Отборочный онлайн-тур;
13–17 ноября
Приглашение команд на финал;
24–25 ноября
Финал на площадке в Москве.
Общий призовой фонд - 1 000 000 рублей!
Место проведения: онлайн/офлайн в г. Москве
Регистрация до 6 ноября:
Для кого хакатон?
- Студенты;
- Разработчики;
- Продуктовые Команды От Ит-Компаний;
- Junior-специалисты.
Возможности:
Карьерные преимуществаВсероссийский хакатон — это возможность проявить себя перед топ-менеджерами биометрических вендоров и крупных технологических компаний. Продемонстрируй свои навыки и получи оффер в современную компанию.
Менторская поддержка от топовых экспертов
Наставниками на хакатоне станут ИТ-эксперты компаний, чья деятельность направлена на развитие биометрических технологий в России.
Финал в столице
Лучшие команды ждут три дня работы в кругу единомышленников, нетворкинг и много полезных знакомств.
Подарки
Самые активные участники смогут выиграть лимитированный мерч от партнёров хакатона.
Задачи в биометрии
Стань частью команды, которая улучшает биометрические технологии в стране!
Реши кейс и прокачай свои скиллы!
Кейсы:
1. Разработка инструмента для создания дипфейков
Описание кейса:Разработайте сервис, который включает в себя алгоритм для создания видео дипфейков с изображением лица человека.
Целевая аудитория:
- ml-специалисты;
- data-scientist;
- разработчики;
Системы биометрического распознавания широко используются для различных целей от разблокировки смартфонов до контроля доступа в здания и финансовых операций. Одновременно с развитием алгоритмов биометрического распознавания и доступностью вычислительных ресурсов все более убедительными и сложными для обнаружения становятся алгоритма атак на использующие их системы, что может представлять угрозу безопасности. Обучение моделей для создания дипфейков поможет в разработке алгоритмов для их обнаружения.
Цель:
Разработать инструмент, который позволит пользователям создавать высококачественные и убедительные дипфейки.
Стек:
На язык программирования ограничений нет. Есть ограничения на ОС: ubuntu 20.04 или выше.
Вводные данные:
база данных (изображения+видео) для обучения алгоритма собирается участниками самостоятельно любым доступным способом (можно использовать готовые базы на github).
Задача:
Разработка сервиса в docker контейнере со всеми необходимыми установленными библиотеками, который включает в себя:
- алгоритм для создания видео дипфейков с изображением лица человека;
- веб-интерфейс.
- утилиту для создания видео дипфейков из базы данных изображений и видео, находящихся в локальной папке.
Для решения задачи кейса участники могут не разрабатывать нейросети с нуля, а использовать предобученные нейронные сети, не имеющие ограничений на коммерческое использование, и “доработать их”.
Вводные данные:
база данных (изображения+видео) для обучения алгоритма собирается участниками самостоятельно любым доступным способом (можно использовать готовые базы на github).
2. Разработка инструмента для обнаружения дипфейков
Описание кейса:Разработайте сервис, который включает в себя алгоритм для обнаружения дипфейков на видео с изображением лица человека.
Целевая аудитория:
- ml-специалисты;
- data-scientist;
- разработчики;
С развитием технологий машинного обучения, особенно искусственных нейронных сетей, появились инструменты, позволяющие создавать реалистичные поддельные изображения, видео и записи голоса. Дипфейки, могут использоваться не только для дезинформации, манипуляции мнением общественности, но и для мошеннических действий в биометрических системах. Важной становится задача распознавания дипфейков с целью недопущения мошеннических операций, краж данных и взломов систем.
Задача:
Разработка сервиса в docker контейнере со всеми необходимыми установленными библиотеками, который включает в себя:
- алгоритм для классификации видео как дипфейков или подлинных видео с изображением лица человека.
- веб-интерфейс.
- утилиту для оценки видео из базы данных видео, находящихся в локальной папке.
Разработатка инструмента, способного определять поддельные (сгенерированные с помощью AI) видеоизображения с высокой точностью.
Стек:
На язык программирования ограничений нет. Дистрибутив должен соответствовать разделу 4 Методических рекомендаций по подключению биометрических процессоров к Единой биометрической системе (далее - МР), API должен соответствовать приложению Б МР.
Вводные данные:
База данных (изображения+видео) для обучения алгоритма собирается участниками самостоятельно любым доступным способом (можно использовать готовые базы на github).
Дополнительно:
Для решения задачи кейса участники могут не разрабатывать нейросети с нуля, а использовать предобученные нейронные сети, не имеющие ограничений на коммерческое использование, и “доработать их”.
Алгоритм должен работать на данных, собранных с пользовательских устройств (мобильных телефонов, планшетов, веб-камер и т.д.) без необходимости приобретения и подключения дополнительного оборудования.
3. Фронтальный алгоритм защиты от атак предъявления для лицевой биометрии
Целевая аудитория:специалисты по компьютерному зрению, исследователи данных.
Стек:
На выбор исполнителя.
Задача:
Разработать и продемонстрировать пассивный (не требующий явных действий от пользователя) алгоритм защиты от атак предъявления, способный исполняться на мобильных устройствах. Спектр отсекаемых данным алгоритмом инструментов атак ограничен воспроизведением фото и видео с экранов телефонов, планшетов, ноутбуков, переносных мониторов с видимыми границами устройства воспроизведения и распечатанными фотографиями лиц с видимыми границами фотографии.
Дополнительно:
Использование внешних обучающих и тестовых наборов данных не ограничено.
4. Решения для использования новых биометрических модальностей на пользовательских устройствах
Описание кейса:Разработайте алгоритм биометрической верификации, используя новые модальности биометрических данных (за исключением изображения лица и записи голоса), полученные с пользовательских устройств (web-камеры и/или мобильные устройства).
Целевая аудитория:
- ml-специалисты;
- data-scientist;
- разработчики;
С каждым годом количество цифровых устройств и сервисов, требующих идентификации пользователя, растет. Традиционные методы идентификации и аутентификации, такие как пароли или PIN-коды, не обеспечивают достаточной степени безопасности и удобства для пользователя. Добавление биометрических методов позволяет повысить уровень безопасности и комфорта. С появлением новых технологий и устройств в области биометрии появляется возможность использовать новые модальности данных для распознавания, которые могут быть более надежными, сложными для подделки и при этом удобными для пользователя, а также могут позволить людям, не имеющим возможность использовать существующие модальности (например, инвалиды по зрению или немые люди), получать услуги удаленно. Предыдущие методы, такие как распознавание лица и голоса, уже активно используются.
Стек:
На язык программирования ограничений нет. Дистрибутив должен соответствовать разделу 4 Методических рекомендаций по подключению биометрических процессоров к Единой биометрической системе (далее - МР), API должен соответствовать приложению А МР.
Задача:
Разработка алгоритма биометрической верификации (сравнение 1к1), используя новые модальности биометрических данных, которые не были ранее широко применены в этой области, для создания надежного и быстрого метода биометрической верификации.
Вводные данные:
База данных для обучения алгоритма собирается участниками самостоятельно любым доступным способом (можно использовать готовые базы на github).
Дополнительно:
Нельзя использовать готовые open source алгоритмы, можно использовать предобученные нейронные сети, не имеющие ограничений на коммерческое использование.
Биометрические данные должны собираться с пользовательских устройств (мобильных телефонов, планшетов, веб-камер и т.д.) без необходимости приобретения и подключения дополнительного оборудования.
Порядок регистрации:
- Пройди регистрацию на платформе ЗаводIT;
- Присоединись к хакатону;
- Выбери подходящий кейс хакатона;
- Подпишись на канал хакатона в Telegram;
- Реши кейс на отборочном онлайн-этапе;
- Подтверди свое участие и получи приглашение от организаторов;
- Пройди в финал и получи приглашение на офлайн-этап.
Таймлайн:
18 октябряCтарт приёма заявок;
до 6 ноября 23:59 мск
Регистрация;
7-9 ноября
Подтверждение участия;
10-12 ноября
Отборочный онлайн-тур;
13–17 ноября
Приглашение команд на финал;
24–25 ноября
Финал на площадке в Москве.
Общий призовой фонд - 1 000 000 рублей!
Место проведения: онлайн/офлайн в г. Москве
Регистрация до 6 ноября:
Хочешь узнавать о новых хакатонах, соревнованиях первым?
Подписывайся на наши социальные сети:
Подписывайся на наши социальные сети:
Также, подписывайся на наш Telegram-бот, где мы присылаем хакатоны, соревнования по параметрам, которые интересны тебе:
