論文の概要: End-to-End Chess Recognition
- arxiv url: http://arxiv.org/abs/2310.04086v3
- Date: Thu, 14 Dec 2023 10:19:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-16 04:09:01.190671
- Title: End-to-End Chess Recognition
- Title（参考訳）: エンドツーエンドチェス認識
- Authors: Athanasios Masouris, Jan van Gemert
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.15543089335477
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Chess recognition is the task of extracting the chess piece configuration
from a chessboard image. Current approaches use a pipeline of separate,
independent, modules such as chessboard detection, square localization, and
piece classification. Instead, we follow the deep learning philosophy and
explore an end-to-end approach to directly predict the configuration from the
image, thus avoiding the error accumulation of the sequential approaches and
eliminating the need for intermediate annotations. Furthermore, we introduce a
new dataset, Chess Recognition Dataset (ChessReD), that consists of 10,800 real
photographs and their corresponding annotations. In contrast to existing
datasets that are synthetically rendered and have only limited angles, ChessReD
has photographs captured from various angles using smartphone cameras; a sensor
choice made to ensure real-world applicability. Our approach in chess
recognition on the introduced challenging benchmark dataset outperforms related
approaches, successfully recognizing the chess pieces' configuration in 15.26%
of ChessReD's test images. This accuracy may seem low, but it is ~7x better
than the current state-of-the-art and reflects the difficulty of the problem.
The code and data are available through:
https://github.com/ThanosM97/end-to-end-chess-recognition.
- Abstract（参考訳）: チェス認識は、チェス盤画像からチェスピース構成を抽出するタスクである。
現在のアプローチでは,チェスボード検出や正方形定位,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する。
代わりに、ディープラーニングの哲学に従い、画像から構成を直接予測するエンドツーエンドのアプローチを探り、逐次的なアプローチのエラーの蓄積を回避し、中間アノテーションの必要性を排除する。
さらに,10,800枚の実画像とそのアノテーションからなる新しいデータセットChess Recognition Dataset (ChessReD)を導入する。
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。
導入したベンチマークデータセットに対するチェス認識のアプローチは,チェスレッドのテスト画像の15.26%において,チェスピースの構成をうまく認識する手法よりも優れている。
この精度は低いように見えるかもしれないが、現在の最先端の7倍近く良く、問題の難しさを反映している。
コードとデータはhttps://github.com/thanosm97/end-to-end-chess-recognitionで入手できる。
関連論文リスト
- Predicting Chess Puzzle Difficulty with Transformers [0.0]
GlickFormerは,Glicko-2レーティングシステムを用いて,チェスパズルの難易度を予測するトランスフォーマーアーキテクチャである。
提案モデルでは,空間的特徴抽出にChessFormerのバックボーンを改良し,分解変換技術を用いて時間情報を組み込んだ。
結果は、GlickFormerのパフォーマンスが、最先端のChessFormerベースラインと比較して、複数のメトリクスにわたって優れていることを示している。
論文 参考訳（メタデータ） (2024-10-14T20:39:02Z) - 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) - Learning to Play Chess from Textbooks (LEAP): a Corpus for Evaluating
Chess Moves based on Sentiment Analysis [4.314956204483074]
本稿では,チェスの遊び方を学ぶための新しい知識源として,チェスの教科書について検討する。
我々はLEAPコーパスを開発した。LEAPコーパスは、構造化された(記法やボード状態を動かす)構造付きおよび非構造化データを備えた、最初の、そして新しい異種データセットである。
感情分析のための各種変圧器ベースラインモデルの性能評価実験を行った。
論文 参考訳（メタデータ） (2023-10-31T08:26:02Z) - What Can Human Sketches Do for Object Detection? [127.67444974452411]
スケッチは非常に表現力が高く、本質的に主観的かつきめ細かい視覚的手がかりを捉えている。
スケッチ可能なオブジェクト検出フレームワークは、 textityou sketch -- textit that zebra' に基づいて検出する。
スケッチベース画像検索(SBIR)のために構築された基礎モデル(例えばCLIP)と既存のスケッチモデルとの直感的な相乗効果を示す。
特に、まず、エンコーダモデルの両方のスケッチブランチで独立に実行し、高度に一般化可能なスケッチとフォトエンコーダを構築する。
論文 参考訳（メタデータ） (2023-03-27T12:33:23Z) - DeepDarts: Modeling Keypoints as Objects for Automatic Scorekeeping in
Darts using a Single Camera [75.34178733070547]
既存のマルチカメラソリューションは、スチールチップダーツの自動スコア管理に非常に高価であり、ほとんどのプレイヤーにはアクセスできない。
キーポイント検出に対する新しいアプローチを提案し,任意のカメラアングルから撮影した単一の画像からダートスコアを予測する。
我々は、このアイデアにまつわる深い畳み込みニューラルネットワークを開発し、ダート位置とダートボードの校正点を予測する。
論文 参考訳（メタデータ） (2021-05-20T16:25:57Z) - 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) - DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。
本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。
登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
論文 参考訳（メタデータ） (2021-04-08T04:27:32Z) - DetCo: Unsupervised Contrastive Learning for Object Detection [64.22416613061888]
教師なしのコントラスト学習は,CNNを用いた画像表現学習において大きな成功を収めている。
我々は,グローバルイメージとローカルイメージパッチのコントラストをフルに検討する,DetCoという新しいコントラスト学習手法を提案する。
DetCoは1倍のスケジュールでMask RCNN-C4/FPN/RetinaNet上で1.6/1.2/1.0 APで教師付き手法を一貫して上回っている。
論文 参考訳（メタデータ） (2021-02-09T12:47:20Z) - LiveChess2FEN: a Framework for Classifying Chess Pieces based on CNNs [0.0]
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。
論文 参考訳（メタデータ） (2020-12-12T16:48:40Z) - SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。
表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。
我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文 参考訳（メタデータ） (2020-05-25T18:12:33Z) - Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。
パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。
適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
論文 参考訳（メタデータ） (2020-03-03T15:20:57Z)
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。