論文の概要: ChessQueries: Toward Better Chess Board Recognition

• arxiv url: http://arxiv.org/abs/2608.30762v1
• Date: Mon, 31 Aug 2026 13:26:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.417112
• Title: ChessQueries: Toward Better Chess Board Recognition
• Title（参考訳）: ChessQueries: より優れたチェスボード認識を目指す
• Abstract要約: チェス盤認識とは、チェス盤の画像とどの駒がどの正方形にあるかの情報をマッピングするタスクである。 我々は,既存の手法より優れたVETエンコーダとDETRスタイルのデコーダを組み合わせた新しい手法であるChessQueriesを紹介する。 我々の手法は2つのデータセット上のタスクを飽和させ、平均0.01個の間違った正方形(vs. SotA: 3.4 / 0.15)を持つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Chess board recognition is the task of mapping the image of a chess board to the information of which piece is on which square. So far this task has two established benchmarks: ChessCog is synthetic, and ChessReD comes from smartphone pictures of a single chess board setup. We introduce ChessQueries, a new method combining a ViT encoder with a DETR-style decoder, which outperforms existing methods. On the ChessReD benchmark, we improve the state of the art from 15.3% to 99.2%, and demonstrate strong capabilities on out-of-distribution datasets. Our method saturates the task on the two datasets, with an average 0.01 wrong squares per board (vs. SotA: 3.4 / 0.15 respectively). We also share a new, harder public dataset, parsed from broadcasted top-level chess tournaments. Code, model weights and the SLCC data will be released.
• Abstract（参考訳）: チェス盤認識とは、チェス盤の画像とどの駒がどの正方形にあるかの情報をマッピングするタスクである。 ChessCogはシンセサイザーであり、ChessReDは1つのチェス盤のスマートフォン写真から来ている。 我々は,既存の手法より優れたVETエンコーダとDETRスタイルのデコーダを組み合わせた新しい手法であるChessQueriesを紹介する。 ChessReDベンチマークでは、最先端の15.3%から99.2%に改善し、アウト・オブ・ディストリビューションデータセットに強力な機能を示す。 我々の手法は2つのデータセット上のタスクを飽和させ、1ボードあたり平均0.01個の間違った正方形(vs. SotA: 3.4 / 0.15)で処理する。 また、放送されたトップレベルのチェストーナメントから解析した、新しい、より難しいパブリックデータセットも共有しています。 コード、モデルウェイト、SLCCデータはリリースされます。

関連論文リスト

• CVChess: A Deep Learning Framework for Converting Chessboard Images to Forsyth-Edwards Notation [0.0]
  本稿では,チェスボード画像をForsyth-Edwards Notation (FEN)に変換するフレームワークであるCVChessを提案する。 本手法では,スマートフォンカメラ画像から断片認識を行うために,残層を有する畳み込みニューラルネットワーク(CNN)を用いる。 結果として得られる分類はFEN文字列としてエンコードされ、最も最適な動きを生成するためにチェスエンジンに入力することができる。
  論文  参考訳（メタデータ） (2025-11-14T17:50:35Z)
• Can Large Language Models Develop Strategic Reasoning? Post-training Insights from Learning Chess [54.5355907369231]
  チェスにおける強化学習(RL)を通して,大規模言語モデル (LLM) が戦略的推論能力を発達させることができるかを検討する。 以上の結果から, 蒸留法に基づく高密度報酬は, 希少な二進報酬よりも優れていることが示唆された。 我々は、チェス推論訓練におけるSFTおよびRLの略語を提供し、この制限が、事前訓練されたモデルのチェスに対する内部理解の欠如に起因する証拠を見つける。
  論文  参考訳（メタデータ） (2025-07-01T13:16:34Z)
• General search techniques without common knowledge for imperfect-information games, and application to superhuman Fog of War chess [68.20244032271847]
  我々は、戦争チェスのための最初の超人的AIであるObscuroを提示する。 不完全な情報ゲームにおける検索の進歩を導入し、強力でスケーラブルな推論を可能にした。 最先端のAIと人間のプレーヤーに対する実験は、Obscuroがかなり強いことを示している。
  論文  参考訳（メタデータ） (2025-06-02T01:41:27Z)
• R-SCoRe: Revisiting Scene Coordinate Regression for Robust Large-Scale Visual Localization [66.87005863868181]
  可視性グラフに基づくグローバルエンコーディング学習とデータ拡張戦略を導入する。 ネットワークアーキテクチャとローカル特徴抽出モジュールを再考する。 本手法は,ネットワークアンサンブルや3D監視に頼ることなく,大規模データセットに挑戦する最先端の手法を実現する。
  論文  参考訳（メタデータ） (2025-01-02T18:59:08Z)
• 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)
• 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)
• Hardness of Independent Learning and Sparse Equilibrium Computation in Markov Games [70.19141208203227]
  マルコフゲームにおける分散型マルチエージェント強化学習の問題点を考察する。 我々は,全てのプレイヤーが独立に実行すると,一般のサムゲームにおいて,アルゴリズムが到達しないことを示す。 我々は,全てのエージェントが集中型アルゴリズムによって制御されるような,一見簡単な設定であっても,下位境界が保持されていることを示す。
  論文  参考訳（メタデータ） (2023-03-22T03:28:12Z)
• 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)
• 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)
• Learning the Positions in CountSketch [51.15935547615698]
  本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。 本研究では,ゼロでないエントリの位置を最適化する学習アルゴリズムを提案する。 このアルゴリズムは, 従来よりも低階近似の精度を向上し, 初めて$k$-meansクラスタリングのような他の問題に適用できることを示す。
  論文  参考訳（メタデータ） (2020-07-20T05:06:29Z)

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。