Es verwendet einen Objekterkennungsalgorithmus, der menschliche Zuschauerdaten lernt, um ansprechende Ansichtsfenster zu finden
GWANGJU, Südkorea, 25. November 2022 /PRNewswire/ — Menschliche Spielbeobachter sind ein wichtiger Bestandteil der Esports-Branche. Sie nutzen umfassendes Domänenwissen, um zu entscheiden, was sie den Zuschauern zeigen. Sie können jedoch wichtige Ereignisse verpassen, was die Notwendigkeit automatischer Beobachter erforderlich macht. Forscher aus Südkorea haben kürzlich ein Framework vorgeschlagen, das eine Objekterkennungsmethode, Mask R-CNN, und menschliche Beobachtungsdaten verwendet, um die „Region von gemeinsamem Interesse“ in StarCraft zu finden – einem Echtzeit-Strategiespiel.
Ein künstlicher Beobachter interagiert mit Kommentatoren, während er den Zustand des Spiels in Echtzeit analysiert, um das beste Zuschauererlebnis zu erzielen.
Esports, bereits eine Milliarden-Dollar-Industrie, wächst, teilweise wegen menschlicher Spielbeobachter. Sie steuern die Kamerabewegung und zeigen den Zuschauern die fesselndsten Teile des Spielbildschirms. Diese Beobachter könnten jedoch wichtige Ereignisse verpassen, die gleichzeitig auf mehreren Bildschirmen auftreten. Sie sind auch bei kleinen Turnieren schwer zu leisten. Folglich ist die Nachfrage nach automatischen Beobachtern gewachsen. Künstliche Beobachtungsmethoden können entweder regelbasiert oder lernbasiert sein. Beide definieren Ereignisse und ihre Wichtigkeit vor, was umfangreiches Domänenwissen erfordert. Darüber hinaus können sie undefinierte Ereignisse nicht erfassen oder Änderungen in der Bedeutung der Ereignisse erkennen.
Kürzlich haben Forscher aus Südkoreageführt von dr. Kyung Jong KimAssociate Professor am Gwangju Institute of Science and Technology, haben einen Ansatz vorgeschlagen, um diese Probleme zu überwinden. „Wir haben einen automatischen Beobachter mit dem Objekterkennungsalgorithmus Mask R-CNN erstellt, um menschliche Zuschauerdaten zu lernen“, erklärt Dr. Kim. Ihre Ergebnisse wurden online zur Verfügung gestellt auf 10. Oktober 2022 Sonstiges veröffentlicht in Band 213 Teil B von Expertensysteme mit Anwendungen Tagebuch.
Das Neue liegt darin, das Objekt als den vom Betrachter betrachteten zweidimensionalen Raum zu definieren. Im Gegensatz dazu behandelt die herkömmliche Objekterkennung eine einzelne Einheit, beispielsweise einen Arbeiter oder ein Gebäude, als das Objekt. In dieser Studie sammelten die Forscher zunächst menschliche Beobachtungsdaten von StarCraft im Spiel von 25 Teilnehmern. Als nächstes wurden die Ansichtsfenster – vom Zuschauer betrachtete Bereiche – identifiziert und als „eins“ bezeichnet. Der Rest des Bildschirms war mit „Nullen“ gefüllt. Während die Spielfunktionen als Eingabedaten verwendet werden, bildeten die menschlichen Beobachtungen die Zielinformationen.
Die Forscher speisten die Daten dann in das Convolution Neural Network (CNN) ein, das die Muster der Viewports erlernte, um die „Region of Common Interest“ (ROCI) zu finden – den spannendsten Bereich für die Zuschauer. Anschließend verglichen sie den ROCI Mask R-CNN-Ansatz quantitativ und qualitativ mit anderen bestehenden Methoden. Die frühere Auswertung zeigte, dass die von CNN vorhergesagten Ansichtsfenster den gesammelten menschlichen Beobachtungsdaten ähnlich waren. Darüber hinaus übertraf die ROCI-basierte Methode andere auf lange Sicht während des Generalisierungstests, der verschiedene Matchup-Rennen, Startorte und Spielkarten umfasste. Der vorgeschlagene Beobachter war in der Lage, die für Menschen interessanten Szenen festzuhalten. Im Gegensatz dazu konnte dies nicht durch das Klonen von Verhaltensweisen erreicht werden – eine Technik des Imitationslernens.
Dr. Kim weist auf die zukünftigen Anwendungen ihrer Arbeit hin. „Das Framework kann auf andere Spiele angewendet werden, die einen Teil des gesamten Spielzustands darstellen, nicht nur auf StarCraft. Da Dienste wie die Multi-Screen-Übertragung im Esports weiter zunehmen, wird der vorgeschlagene automatische Beobachter bei diesen Ergebnissen eine Rolle spielen. Das wird er auch aktiv in weiteren Inhalten verwendet werden, die in Zukunft entwickelt werden.“
Bezug
DOI: https://doi.org/10.1016/j.eswa.2022.118979
Titel der Originalarbeit: Lernen, Spiele für Esports mithilfe des Objekterkennungsmechanismus automatisch zu beobachten
Zeitschrift: Expertensysteme mit Anwendungen
* E-Mail des entsprechenden Autors: [email protected]
Über das Gwangju Institute of Science and Technology (GIST)
Seite? ˅: http://www.gist.ac.kr/
Kontakt:
Chang Sung Kang
82 62 715 6253
[email protected]
QUELLE Gwangju Institut für Wissenschaft und Technologie
