Nov, 2023

从图像到标题：使用卷积神经网络进行视频游戏辨识

PDF
TL;DR通过使用五种卷积神经网络（MobileNet、DenseNet、EfficientNetB0、EfficientNetB2 和 EfficientNetB3），对 22 种家用游戏主机系统（从 Atari 2600 到 PlayStation 5）的单个截图进行视频游戏识别的研究，确认了 CNN 在截图中提取图像特征的能力，实现了在没有额外特征的情况下从截图中识别游戏标题。利用 ImageNet 预训练权重，EfficientNetB3 实现了最高的平均准确性（74.51%），而 DenseNet169 在 22 个系统中的 14 个系统表现出色。使用来自另一个截图数据集的替代初始权重提高了 EfficientNetB2 和 EfficientNetB3 的准确性，后者在平均 23.7 个收敛周期降低到 20.5 个周期，并达到了最高准确性 76.36%。总体而言，通过优化架构和权重的组合，主要由 EfficientNetB3 在 19 个系统中领先，实现了 77.67% 的准确性，这些发现强调了 CNN 在通过截图进行视频游戏识别方面的有效性。
video game identificationconvolutional neural network architecturesscreenshotsimagenet pre-trained weightsaccuracy
发现论文，激发创造
  • 用于异构硬件系统上的像素级分类的高效卷积神经网络

    本文介绍了三个用于图像像素分类的卷积神经网络模型，通过去除冗余计算或使用全卷积体系结构来解决滑动窗口网络中存在的冗余计算问题。作者对这三种模型进行了评估，并评估了它们在两个神经组织数据集上的表现，以及训练过程中使用的不同损失函数。

    Sep, 2015

  • 使用深度卷积神经网络检测视频游戏中的渲染故障

    使用深度卷积神经网络（DCNN）来检测视频游戏中常见的故障，特别是在图像测试的最后阶段中，能够自动化部分图形测试工作。

    Jun, 2024

  • 基于卷积神经网络的特征提取深度学习模型研究

    通过选用 AlexNet 和 InceptionV3 模型进行优化分类，结合医学图像特征，学习更深层次、更复杂结构的前向神经网络，再利用知识提取技术将结果数据提取到 AlexNet 模型中，从而提高计算效率和降低计算成本，使得训练后的 AlexNet 模型的预测准确率、特异度和敏感度分别提高了 4.25 个百分点、7.85 个百分点和 2.32 个百分点，并相较于 InceptionV3 模型，图形处理的使用率减少了 51%。

    Jun, 2024

  • MobileNets：面向移动视觉应用的高效卷积神经网络

    本文介绍了 MobileNets 这一基于深度可分离卷积的轻量级深度神经网络架构，提出了利用全局超参数在时延和准确性之间平衡的方法，并在图像分类等多个领域进行了广泛实验。

    Apr, 2017

  • 基于光瀑式级联卷积神经网络的准确球员检测

    本文介绍了一种满足精度、效率和低内存消耗的级联卷积神经网络 (CNN)，用于实现基于视觉的运动员检测。通过从标记的图像块训练一个二进制分类网络，然后在测试时高效地将该网络应用于整个图像，本方法在篮球和足球比赛中得到了精确的运动员检测结果，并在聚光灯影响、高度动态的相机移动和运动模糊等多种复杂条件下表现出色。与传统 CNN 相比，本文方法参数少 1000 倍，准确度更高。

    Sep, 2017

  • 超越短片段：用于视频分类的深度网络

    本论文提出和评估了几个深度神经网络架构，用于对比以往更长时间段内视频图像信息的组合。通过一些新的方法，包括卷积时间特征池化和循环神经网络结构，该论文指出最佳神经网络在 Sports 1 million 数据集（73.1％对 60.9％）和 UCF-101 数据集中（88.6％对 88.0％）及无附加光流信息（82.6％对 72.8％）上明显性能提高。

    Mar, 2015

  • MoViNets：高效视频识别的移动视频网络

    提出了 MoViNets，一种计算和内存高效的移动视频网络，用于在线推断，借助三步方法实现计算效率和存储空间大幅提升。

    Mar, 2021

  • 深度卷积网络在文件图像分类和检索中的评估

    本文提出了一种利用深度卷积神经网络学习特征进行文档图像分类和检索的最新技术，证实与手工制作的替代方法相比，能够更好地学习抽象特征，且具有压缩鲁棒性和跨领域迁移性，并在新的 IIT-CDIP 数据集中提供了 400,000 个文档图像用于深度学习。

    Feb, 2015

  • 基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • 基于卷积神经网络的相机模型识别的初步探索

    本文研究了一种基于卷积神经网络的数据驱动算法来解决相机型号识别问题，结果表明，所提出的方法在 64x64 的彩色图像块分类上优于最新的算法，而且所学到的特征具有很好的泛化性能。

    Mar, 2016