論文の概要: Action Recognition using Transfer Learning and Majority Voting for CSGO
- arxiv url: http://arxiv.org/abs/2111.03882v1
- Date: Sat, 6 Nov 2021 13:33:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 15:53:49.750949
- Title: Action Recognition using Transfer Learning and Majority Voting for CSGO
- Title(参考訳): CSGOにおける移動学習と多数投票を用いた行動認識
- Authors: Tasnim Sakib Apon, Abrar Islam, MD. Golam Rabiul Alam
- Abstract要約: 本論文は, 4つの異なる行動の正確な予測モデルを構築し, 5つの異なる伝達学習モデルと, 自己発達した深層ニューラルネットワークの性能を比較することを目的とする。
このモデルにより、HLTVのデータ収集の問題を解決するとともに、より多くのデータを収集・処理する自動システムの構築が容易になる。
- 参考スコア(独自算出の注目度): 0.6875312133832078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Presently online video games have become a progressively favorite source of
recreation and Counter Strike: Global Offensive (CS: GO) is one of the
top-listed online first-person shooting games. Numerous competitive games are
arranged every year by Esports. Nonetheless, (i) No study has been conducted on
video analysis and action recognition of CS: GO game-play which can play a
substantial role in the gaming industry for prediction model (ii) No work has
been done on the real-time application on the actions and results of a CS: GO
match (iii) Game data of a match is usually available in the HLTV as a CSV
formatted file however it does not have open access and HLTV tends to prevent
users from taking data. This manuscript aims to develop a model for accurate
prediction of 4 different actions and compare the performance among the five
different transfer learning models with our self-developed deep neural network
and identify the best-fitted model and also including major voting later on,
which is qualified to provide real time prediction and the result of this model
aids to the construction of the automated system of gathering and processing
more data alongside solving the issue of collecting data from HLTV.
- Abstract(参考訳): 現在、オンラインビデオゲームは徐々に好まれるレクリエーションの源となり、Counter Strike: Global Offensive(CS: GO)はオンラインファーストパーソンシューティングゲームのトップリストの1つである。
毎年Esportsによって多くの競技ゲームが開催されている。
それでも
(i)CSの映像分析と行動認識に関する研究は行われていない: GOゲームプレイは、予測モデルのためのゲーム産業において重要な役割を果たす。
(ii)CS:GOマッチの動作と結果のリアルタイム適用に関する作業は行われていない。
(iii)マッチのゲームデータは、通常、CSVフォーマットファイルとしてHLTVで利用可能であるが、オープンアクセスがなく、HLTVはユーザーがデータを取るのを防ぐ傾向がある。
This manuscript aims to develop a model for accurate prediction of 4 different actions and compare the performance among the five different transfer learning models with our self-developed deep neural network and identify the best-fitted model and also including major voting later on, which is qualified to provide real time prediction and the result of this model aids to the construction of the automated system of gathering and processing more data alongside solving the issue of collecting data from HLTV.
関連論文リスト
- Predicting Outcomes in Video Games with Long Short Term Memory Networks [0.39723189359605243]
本研究は,ゲームトーナメントにおける観客エンゲージメントを高めるために,リアルタイムな勝利予測手法を導入することを目的とする。
概念実証として,従来の2人プレイのアーケードゲームSuper Street Fighter II Turboにおけるモデルの性能を評価する。
論文 参考訳(メタデータ) (2024-02-24T22:36:23Z) - Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion
Models [68.85478477006178]
ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。
ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。
私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。
提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
論文 参考訳(メタデータ) (2023-03-23T17:43:17Z) - A Graph-Based Method for Soccer Action Spotting Using Unsupervised
Player Classification [75.93186954061943]
アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。
本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。
プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
論文 参考訳(メタデータ) (2022-11-22T15:23:53Z) - GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win
Prediction in Esports [84.55775845090542]
本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。
GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。
本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
論文 参考訳(メタデータ) (2022-07-26T21:38:07Z) - 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) - Counter-Strike Deathmatch with Large-Scale Behavioural Cloning [34.22811814104069]
本稿では,FPSゲーム『Counter-Strike; Global Offensive』を画素入力から再生するAIエージェントについて述べる。
ディープニューラルネットワークであるエージェントは、デスマッチゲームモードでのAI内蔵中難易度のパフォーマンスにマッチし、人間のようなプレイスタイルを採用しています。
論文 参考訳(メタデータ) (2021-04-09T09:12:12Z) - An Empirical Study on the Generalization Power of Neural Representations
Learned via Visual Guessing Games [79.23847247132345]
本研究は,視覚質問応答(VQA)のような新しいNLP下流タスクにおいて,後から実行を依頼されたとき,人工エージェントが推測ゲームでどの程度の利益を得ることができるかを検討する。
提案手法は,1) エージェントがうまく推理ゲームを模倣することを学習する教師あり学習シナリオ,2) エージェントが単独でプレイする新しい方法,すなわち,反復経験学習(SPIEL)によるセルフプレイ(Self-play)を提案する。
論文 参考訳(メタデータ) (2021-01-31T10:30:48Z) - AI-enabled Prediction of eSports Player Performance Using the Data from
Heterogeneous Sensors [12.071865017583502]
我々は,センサのデータのみを用いて,eSportsプレーヤーのゲーム内パフォーマンスを予測する人工知能(AI)対応ソリューションについて報告する。
リカレントニューラルネットワークを用いて、マルチプレイヤーゲームにおけるゲームログから、各モーメント毎のプレイヤー性能を評価する。
提案するソリューションはプロのeスポーツチームやアマチュア選手のための学習ツールに多くの有望な応用がある。
論文 参考訳(メタデータ) (2020-12-07T07:31:53Z) - Valuing Player Actions in Counter-Strike: Global Offensive [4.621805808537653]
ゲーム内CSGOイベント7000万以上を使用して、当社のフレームワークの一貫性と独立性を実証します。
また,高インパクトプレイ識別と不確実性推定のユースケースも提供する。
論文 参考訳(メタデータ) (2020-11-02T21:11:14Z) - Interpretable Real-Time Win Prediction for Honor of Kings, a Popular
Mobile MOBA Esport [51.20042288437171]
本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。
実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
論文 参考訳(メタデータ) (2020-08-14T12:00:58Z)
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。