論文の概要: R-CNN-Based Chess Position Recognition

• arxiv url: http://arxiv.org/abs/2610.09191v1
• Date: Tue, 06 Oct 2026 22:42:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.637724
• Title: R-CNN-Based Chess Position Recognition
• Title（参考訳）: R-CNNに基づくチェス位置認識
• Abstract要約: 部品認識と基板形状推定のための独立したコンポーネントを備えたR-CNNベースのフレームワークを提案する。 特徴認識のために,クラス重み付け目標とより深い分類ヘッドを用いて,より高速なR-CNNを適応する。 ボード検出には,Mask R-CNNのキーポイントヘッドを用いて,8つのラベル付き境界キーポイントの八角形配置を導入する。
• 参考スコア（独自算出の注目度）: 3.9890357781493595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performing chess game position recognition solely from a single image of a three-dimensional board requires predicting the position and orientation of the board relative to the camera, the occupancy of squares and the piece type, which includes its colour. We propose an R-CNN-based framework with independent components for piece recognition and board geometry estimation, whose predictions are combined to reconstruct the position. For piece recognition, we adapt Faster R-CNN using a class-weighted objective and a deeper classification head. The detector operates directly on the input image, retaining alternative piece hypotheses that are subsequently refined using constraints on piece counts and square occupancy. For board detection, we introduce an octagonal arrangement of eight labelled boundary keypoints, predicted using the keypoint head of Mask R-CNN. These provide redundant correspondences for homography estimation and encode board orientation. The estimated homography maps representative points from the piece boxes to an 8x8 grid. On a synthetic dataset, the modifications to piece detection increase mean average precision from 61.59% to 90.14%. Of the predicted board keypoints, 97.11% are within 1% of the image diagonal of their labelled targets. Using ground-truth piece boxes with the predicted homographies gives correct square assignments for every test position. The complete framework recovers 76.61% of test positions exactly and 96.49% with at most one incorrect square.
• Abstract（参考訳）: 3次元ボードの1つの画像からのみチェスゲームの位置認識を行うには、カメラに対するボードの位置と向き、正方形の占有、その色を含むピースタイプを予測する必要がある。 部品認識と基板形状推定のための独立したコンポーネントを備えたR-CNNベースのフレームワークを提案する。 特徴認識のために,クラス重み付け目標とより深い分類ヘッドを用いて,より高速なR-CNNを適応する。 検出器は入力画像を直接操作し、次のピース仮説を保持し、その後、ピース数と平方占有率の制約により洗練される。 ボード検出には,Mask R-CNNのキーポイントヘッドを用いて,8つのラベル付き境界キーポイントの八角形配置を導入する。 これらは、ホモグラフィー推定とボードの向きを符号化するための冗長な対応を提供する。 推定されたホモグラフィーは、ピースボックスから8x8グリッドへの代表点をマップする。 合成データセットでは, 部品検出の修正により平均精度が61.59%から90.14%に向上した。 予測されたボードキーポイントのうち97.11%は、ラベル付きターゲットのイメージ対角線の1%以内である。 予測されたホモグラフを持つ接地トラス片箱を使用することで、テスト位置ごとに正方形の割り当てが与えられる。 完全なフレームワークは76.61%の正確なテスト位置と96.49%の不正な正方形を復元する。

関連論文リスト

• A Lightweight Convolutional Neural Network for Real-Time Recognition of Hand-Drawn Geometric Shapes [0.0]
  本稿では,手描きの幾何学的形状を4つ認識するデスクトップアプリケーションの設計,実装,評価について述べる。 形状を認識するために、コンパクト畳み込みニューラルネットワーク(CNN)が使用される。 Tkinterベースのグラフィカルインタフェースにより、ユーザはマウスで形状を描画し、信頼度スコアで即時クラス予測を受け取ることができる。
  論文  参考訳（メタデータ） (2026-09-21T10:21:55Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• Spatially Grounded Concept Bottleneck Models via Part-Factorized Attention [0.2578242050187029]
  概念ボトルネックモデル(CBM)は、クラスを予測する前に、人名属性の層を予測する。 この研究は、その自由を建設によって取り除く部分分解型CBMの研究である。
  論文  参考訳（メタデータ） (2026-06-03T02:28:42Z)
• Pixel-Level Pavement Distress Assessment Using Instance Segmentation [0.0]
  本稿では,Mask R-CNN のインスタンスセグメンテーションに基づく視覚に基づく舗装災害解析システムを提案する。 最高の性能モデルは84.23%の精度、90.04%のリコール、87.04%のF1スコアをプロジェクト固有のバウンディングボックスマッチングプロトコルで達成した。 その結果, ケースセグメンテーションは, 現場舗装画像と集合的き裂面積推定の実用的な方向であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-25T17:53:23Z)
• CAP-Net: A Unified Network for 6D Pose and Size Estimation of Categorical Articulated Parts from a Single RGB-D Image [86.75098349480014]
  本稿では,ロボット操作作業における調音物体のカテゴリーレベルのポーズ推定に取り組む。 そこで本研究では,Categorical Articulated Partsの6次元ポーズとサイズを推定するためのシングルステージネットワークCAP-Netを提案する。 我々は,RGB画像と実センサからシミュレーションした深度雑音を特徴とするRGB-D調音データセットであるRGBD-Artデータセットを紹介した。
  論文  参考訳（メタデータ） (2025-04-15T14:30:26Z)
• Location-Aware Self-Supervised Transformers [74.76585889813207]
  画像部品の相対的な位置を予測し,セマンティックセグメンテーションのためのネットワークを事前訓練する。 参照パッチのサブセットを問合せのサブセットにマスキングすることで,タスクの難しさを制御します。 実験により,この位置認識事前学習が,いくつかの難解なセマンティックセグメンテーションベンチマークに競合する表現をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-12-05T16:24:29Z)
• ObjectMatch: Robust Registration using Canonical Object Correspondences [21.516657643120375]
  本稿では,RGB-D SLAMパイプラインのためのセマンティック・オブジェクト中心のカメラポーズ推定器であるObjectMatchを提案する。 RGB-Dシークエンスを登録する場合,本手法は,挑戦的で低フレームレートのシナリオにおいて,最先端のSLAMベースラインよりも優れる。
  論文  参考訳（メタデータ） (2022-12-05T02:38:08Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)

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。