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

• Instruction-Driven Game Engine: A Poker Case Study [53.689520884467065]
  IDGEプロジェクトは、大規模言語モデルで自由形式のゲーム記述を追従し、ゲームプレイプロセスを生成することにより、ゲーム開発を民主化することを目的としている。 我々は、複雑なシナリオへの露出を徐々に増大させるカリキュラム方式でIDGEを訓練する。 我々の最初の進歩はポーカーのIDGEの開発であり、これは幅広いポーカーの変種をサポートするだけでなく、自然言語入力を通じて高度に個別化された新しいポーカーゲームを可能にする。
  論文  参考訳（メタデータ） (2024-10-17T11:16:27Z)
• Learning to Move Like Professional Counter-Strike Players [22.974835711827293]
  CS:GO用の人型モーションコントローラの開発には,データ駆動によるアプローチが可能であることを示す。 我々は、ゲームの「リテイク」ラウンドにおいて、すべてのプレイヤーに対して人間のようなチームの動きを生成するトランスフォーマーベースの運動モデルを訓練する。 我々は,本モデルが単純なチームワークを行い,共通の動作ミスを少なくし,プロのCS:GOと類似した移動分布,プレイヤーの寿命,殺傷位置を得られることを示す。
  論文  参考訳（メタデータ） (2024-08-25T20:43:34Z)
• MatchTime: Towards Automatic Soccer Game Commentary Generation [52.431010585268865]
  観客の視聴体験を改善するために,自動サッカーゲーム解説モデルの構築を検討する。 まず、既存のデータセットでよく見られるビデオテキストのミスアライメントを観察し、49試合のタイムスタンプを手動でアノテートする。 第2に,既存のデータセットを自動的に修正・フィルタリングするマルチモーダル時間アライメントパイプラインを提案する。 第3に、キュレートされたデータセットに基づいて、MatchVoiceという自動コメント生成モデルをトレーニングします。
  論文  参考訳（メタデータ） (2024-06-26T17:57:25Z)
• Instruction-Driven Game Engines on Large Language Models [59.280666591243154]
  IDGEプロジェクトは、大規模な言語モデルが自由形式のゲームルールに従うことを可能にすることで、ゲーム開発を民主化することを目的としている。 我々は、複雑なシナリオに対するモデルの露出を徐々に増大させるカリキュラム方式でIDGEを訓練する。 私たちの最初の進歩は、汎用的なカードゲームであるPoker用のIDGEを開発することです。
  論文  参考訳（メタデータ） (2024-03-30T08:02:16Z)
• 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)
• 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)
• 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。