論文の概要: Clustering-based Tile Embedding (CTE): A General Representation for Level Design with Skewed Tile Distributions

• arxiv url: http://arxiv.org/abs/2210.12789v1
• Date: Sun, 23 Oct 2022 17:10:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 18:22:40.501834
• Title: Clustering-based Tile Embedding (CTE): A General Representation for Level Design with Skewed Tile Distributions
• Title（参考訳）: クラスタリングに基づくタイル埋め込み(CTE):スキュータイル分布を用いたレベル設計の汎用表現
• Authors: Mrunal Jadhav, Matthew Guzdial
• Abstract要約: 本稿では,Clustering-based Tile Embedding (CTE) と呼ばれるタイルの埋め込み表現について述べる。 連続的なCTE表現を識別するためにクラスタリングを採用し、これら2つの表現を活用するために新しい2段階のレベル生成を提案する。 そこで本研究では,スキュータイル分布を持つゲームや未確認ゲームに対して,本手法の有効性を評価し,元のタイル埋め込みよりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.9645196221785693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There has been significant research interest in Procedural Level Generation via Machine Learning (PLGML), applying ML techniques to automated level generation. One recent trend is in the direction of learning representations for level design via embeddings, such as tile embeddings. Tile Embeddings are continuous vector representations of game levels unifying their visual, contextual and behavioural information. However, the original tile embedding struggled to generate levels with skewed tile distributions. For instance, Super Mario Bros. (SMB) wherein a majority of tiles represent the background. To remedy this, we present a modified tile embedding representation referred to as Clustering-based Tile Embedding (CTE). Further, we employ clustering to discretize the continuous CTE representation and present a novel two-step level generation to leverage both these representations. We evaluate the performance of our approach in generating levels for seen and unseen games with skewed tile distributions and outperform the original tile embeddings.
• Abstract（参考訳）: 機械学習(PLGML)による手続き的レベル生成(Procedural Level Generation)には、ML技術が自動レベル生成に応用されている。 最近のトレンドの1つは、タイル埋め込みのような埋め込みによるレベル設計の表現を学ぶ方向にある。 タイル埋め込みはゲームレベルの連続ベクトル表現であり、視覚的、文脈的、行動的情報を統一する。 しかし、元々のタイル埋め込みは、歪んだタイル分布を持つレベルを生成するのに苦労した。 例えば、スーパーマリオブラザーズ(SMB)では、タイルの大半が背景を表現している。 これを解決するために,Clustering-based Tile Embedding (CTE) と呼ばれるタイル埋め込み表現を改良した。 さらに,クラスタリングを用いて連続的なCTE表現を識別し,これら2つの表現を利用する新しい2段階レベル生成を提案する。 タイル分布の歪みのある見掛けや見当たらないゲームのレベル生成における我々のアプローチの性能を評価し、元のタイル埋め込みよりも優れています。

関連論文リスト

• Enhancing Weakly Supervised Semantic Segmentation with Multi-modal Foundation Models: An End-to-End Approach [7.012760526318993]
  Weakly-Supervised Semantic (WSSS)は、広範囲なラベリングに対してコスト効率のよい回避手段を提供する。 既存のWSSSメソッドは、セグメンテーション結果の低さにつながるオブジェクトの境界を理解するのに苦労しています。 本稿では,境界ボックス内の視覚的基盤モデルを活用することにより,これらの問題に対処する,新しい効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-10T16:42:25Z)
• Background Activation Suppression for Weakly Supervised Object Localization and Semantic Segmentation [84.62067728093358]
  弱教師付きオブジェクトローカライゼーションとセマンティックセグメンテーションは、画像レベルのラベルのみを使用してオブジェクトをローカライズすることを目的としている。 画素レベルのローカライゼーションを実現するために,フォアグラウンド予測マップを生成することで,新たなパラダイムが誕生した。 本稿では,物体の局在化学習過程に関する2つの驚くべき実験結果を示す。
  論文  参考訳（メタデータ） (2023-09-22T15:44:10Z)
• Boundary-Refined Prototype Generation: A General End-to-End Paradigm for Semi-Supervised Semantic Segmentation [23.00156170789867]
  半教師付きセマンティックセグメンテーションはコンピュータビジョンにおいて注目を集めている。 現在のアプローチでは、メイントレーニングフレームワークからプロトタイプ生成を分離しています。 本稿では,新しい境界修正プロトタイプ生成法(BRPG)を提案する。
  論文  参考訳（メタデータ） (2023-07-19T16:12:37Z)
• CLUSTSEG: Clustering for Universal Segmentation [56.58677563046506]
  CLUSTSEGは画像セグメンテーションのための一般的なトランスフォーマーベースのフレームワークである。 これは、統合されたニューラルクラスタリングスキームを通じて、異なるイメージセグメンテーションタスク(スーパーピクセル、セマンティック、インスタンス、パノプティクス)に取り組む。
  論文  参考訳（メタデータ） (2023-05-03T15:31:16Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• On Mitigating Hard Clusters for Face Clustering [48.39472979642971]
  顔クラスタリングは、大規模な未ラベルの顔画像を使用して顔認識システムをスケールアップするための有望な方法である。 我々はNDDe(Neighborhood-Diffusion-based Density)とTPDi(Transition-Probability-based Distance)の2つの新しいモジュールを紹介した。 複数のベンチマーク実験により,各モジュールが最終性能に寄与することが示された。
  論文  参考訳（メタデータ） (2022-07-25T03:55:15Z)
• DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
  本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。 ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
  論文  参考訳（メタデータ） (2022-06-01T09:51:38Z)
• Multi-level Latent Space Structuring for Generative Control [53.240701050423155]
  本稿では,StyleGAN生成アーキテクチャを活用して新たなトランケーション手法を提案する。 我々は、ガウスの学習可能な混合を用いて、StyleGANの拡張中間潜在空間であるW-空間を再生成することを学ぶ。 結果として生じる切り離しスキームは、元の未熟なサンプルをより忠実にし、品質と多様性のトレードオフをより良くする。
  論文  参考訳（メタデータ） (2022-02-11T21:26:17Z)
• Deep Clustering with Measure Propagation [2.4783465852664315]
  本稿では,深層表現学習の強さと計測伝搬(MP)を結合する。 本稿では,Deep Embedded Clustering Aided by Measure Propagation (DE CAMP)モデルを提案する。 3つのパブリックデータセットで、de campは他の最先端のベースラインと競合する。
  論文  参考訳（メタデータ） (2021-04-18T22:02:43Z)
• Level Generation for Angry Birds with Sequential VAE and Latent Variable Evolution [25.262831218008202]
  我々は,Angry Birdsのゲームドメインに対して,深部生成モデルに基づくレベル生成を開発する。 実験により,提案したレベルジェネレータは生成レベルの安定性と多様性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2021-04-13T11:23:39Z)

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。