論文の概要: LiveChess2FEN: a Framework for Classifying Chess Pieces based on CNNs
- arxiv url: http://arxiv.org/abs/2012.06858v1
- Date: Sat, 12 Dec 2020 16:48:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 05:25:19.786107
- Title: LiveChess2FEN: a Framework for Classifying Chess Pieces based on CNNs
- Title(参考訳): LiveChess2FEN:CNNに基づいたチェスピースの分類フレームワーク
- Authors: David Mallas\'en Quintana, Alberto Antonio del Barrio Garc\'ia and
Manuel Prieto Mat\'ias
- Abstract要約: 我々は,1秒未満で画像からチェス位置を自動的にデジタル化する機能的フレームワークを実装した。
チェスの駒の分類と組込みプラットフォーム上で効率的にマップする方法について、さまざまな畳み込みニューラルネットワークを分析した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic digitization of chess games using computer vision is a significant
technological challenge. This problem is of much interest for tournament
organizers and amateur or professional players to broadcast their
over-the-board (OTB) games online or analyze them using chess engines. Previous
work has shown promising results, but the recognition accuracy and the latency
of state-of-the-art techniques still need further enhancements to allow their
practical and affordable deployment. We have investigated how to implement them
on an Nvidia Jetson Nano single-board computer effectively. Our first
contribution has been accelerating the chessboard's detection algorithm.
Subsequently, we have analyzed different Convolutional Neural Networks for
chess piece classification and how to map them efficiently on our embedded
platform. Notably, we have implemented a functional framework that
automatically digitizes a chess position from an image in less than 1 second,
with 92% accuracy when classifying the pieces and 95% when detecting the board.
- Abstract(参考訳): コンピュータビジョンを用いたチェスゲームの自動デジタル化は重要な技術的課題である。
この問題はトーナメントのオーガナイザやアマチュアやプロの選手が、オンライン上でOTB(Over-the-board)ゲームを放送したり、チェスエンジンを使って分析したりすることに関心がある。
これまでの研究は有望な結果を示しているが、最先端技術の認識精度とレイテンシは、実用的で手頃なデプロイメントを可能にするためのさらなる強化が必要である。
Nvidia Jetson Nanoシングルボードコンピュータ上での実装方法について検討した。
最初の貢献はチェスボードの検出アルゴリズムの高速化です。
その後、チェスの駒の分類と組込みプラットフォーム上で効率的にマップする方法について、さまざまな畳み込みニューラルネットワークを分析した。
特に,画像からチェスの位置を自動的に1秒未満でデジタイズする機能的フレームワークを実装した。
関連論文リスト
- Grandmaster-Level Chess Without Search [9.5790772976207]
我々は、1000万のチェスゲームのデータセットに基づいて教師付き学習を伴うモデルを訓練する。
われわれの最大のモデルは2895年のリチェス・ブリッツ・エロ(Lichess blitz Elo)に到達した。
モデルとデータセットのサイズを体系的に調べると、強力なチェスのパフォーマンスは十分な規模でしか発生しない。
論文 参考訳(メタデータ) (2024-02-07T00:36:24Z) - End-to-End Chess Recognition [11.15543089335477]
現在のアプローチでは、チェスボードの検出、平方ローカライゼーション、ピース分類といった独立した独立したモジュールのパイプラインを使用している。
本稿では、画像から構成を直接予測するエンドツーエンドアプローチについて検討し、シーケンシャルアプローチのエラー蓄積を回避する。
合成レンダリングされ、角度が限られている既存のデータセットとは対照的に、ChessReDはスマートフォンカメラを使ってさまざまな角度から撮影されている。
ChessReDのテスト画像の15.26%で、チェスのピースの構成を認識することに成功した。
論文 参考訳(メタデータ) (2023-10-06T08:30:20Z) - Towards Active Learning for Action Spotting in Association Football
Videos [59.84375958757395]
フットボールビデオの分析は困難であり、微妙で多様な時間的パターンを特定する必要がある。
現在のアルゴリズムは、限られた注釈付きデータから学ぶ際に大きな課題に直面している。
次にアノテートすべき最も情報に富んだビデオサンプルを選択する能動的学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-09T11:50:41Z) - PYSKL: Towards Good Practices for Skeleton Action Recognition [77.87404524458809]
PYSKLは、PyTorchをベースとした骨格ベースの行動認識のためのオープンソースのツールボックスである。
有効性と効率性の比較を容易にするため、統一されたフレームワークの下で6つの異なるアルゴリズムを実装している。
PYSKLは、9つのスケルトンベースのアクション認識ベンチマークのトレーニングとテストをサポートし、そのうち8つで最先端の認識性能を達成する。
論文 参考訳(メタデータ) (2022-05-19T09:58:32Z) - Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。
提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。
次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
論文 参考訳(メタデータ) (2022-03-10T02:37:39Z) - Unsupervised Visual Representation Learning by Tracking Patches in Video [88.56860674483752]
本研究では,コンピュータビジョンシステムのプロキシタスクとしてトラッキングを用いて視覚表現を学習することを提案する。
子どもたちがプレイするキャッチゲームをベースに、視覚表現を学ぶ3D-CNNモデルのためのキャッチ・ザ・パッチ(CtP)ゲームを設計します。
論文 参考訳(メタデータ) (2021-05-06T09:46:42Z) - Determining Chess Game State From an Image [19.06796946564999]
本稿では,既存のモデルよりも桁違いに大きい3次元モデルから合成した新しいデータセットについて述べる。
従来のコンピュータビジョン技術とディープラーニングを組み合わせた新しいエンドツーエンドチェス認識システムを紹介します。
記述されたシステムでは,テストセット上での誤差率は0.23%であり,現状の28倍である。
論文 参考訳(メタデータ) (2021-04-30T13:02:13Z) - Chess2vec: Learning Vector Representations for Chess [0.0]
チェスの駒のベクトル表現を生成し評価する。
チェスの駒や動きの潜伏構造を明らかにし、チェスの位置からチェスの動きを予測する。
論文 参考訳(メタデータ) (2020-11-02T14:50:48Z) - Learning to Play Sequential Games versus Unknown Opponents [93.8672371143881]
学習者が最初にプレーするゲームと、選択した行動に反応する相手との連続的なゲームについて考察する。
対戦相手の対戦相手列と対戦する際,学習者に対して新しいアルゴリズムを提案する。
我々の結果には、相手の反応の正則性に依存するアルゴリズムの後悔の保証が含まれている。
論文 参考訳(メタデータ) (2020-07-10T09:33:05Z) - Playing Chess with Limited Look Ahead [0.0]
静的評価関数として機能するために、ディープニューラルネットワークをトレーニングする。
我々は,我々の静的評価関数が,先見的な知識をコード化していることを示す。
先見深度に厳格な制限があるにもかかわらず、我々のエンジンはサンプル位置の約83%で同等の強度の移動を推奨している。
論文 参考訳(メタデータ) (2020-07-04T16:02:43Z) - Rethinking Few-Shot Image Classification: a Good Embedding Is All You
Need? [72.00712736992618]
メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。
追加の増量は自己蒸留によって達成できる。
我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
論文 参考訳(メタデータ) (2020-03-25T17:58:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。