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

• Explore the Reasoning Capability of LLMs in the Chess Testbed [45.12891789312405]
  我々は,注釈付き戦略と戦術を統合することで,チェスにおける大規模言語モデルの推論能力を向上させることを提案する。 我々はLLaMA-3-8Bモデルを微調整し、より優れたチェスの動きを選択するタスクにおいて、最先端の商用言語モデルと比較する。
  論文  参考訳（メタデータ） (2024-11-11T01:42:56Z)
• Predicting User Perception of Move Brilliance in Chess [3.434553688053531]
  チェスの動きを華々しく分類する最初のシステムを示す。 精度は79%(ベースレート50%)、PPVは83%、NPVは75%である。 より弱いエンジンが低品質とみなすと、この動きは輝かしく、すべて等しいと予測される傾向が示される。
  論文  参考訳（メタデータ） (2024-06-14T17:46:26Z)
• Amortized Planning with Large-Scale Transformers: A Case Study on Chess [11.227110138932442]
  本稿では,AIにおける画期的な計画問題であるチェスを用いて,計画課題の性能評価を行う。 ChessBenchは、Stockfishが提供する法的行動と価値アノテーション(1500億ポイント)を備えた1000万のチェスゲームの大規模なベンチマークである。 極めて優れた近似を教師付き学習により大規模変圧器に蒸留することは可能であるが, 完全蒸留は依然として到達範囲を超えている。
  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)
• The Update-Equivalence Framework for Decision-Time Planning [78.44953498421854]
  本稿では,サブゲームの解決ではなく,更新等価性に基づく意思決定時計画のための代替フレームワークを提案する。 ミラー降下に基づく完全協調型ゲームに対する有効音声探索アルゴリズムと、磁気ミラー降下に基づく対戦型ゲームに対する探索アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2023-04-25T20:28:55Z)
• 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)
• 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)
• 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)

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。