基于迁移学习与多数投票的 CS:GO 动作识别
计算机视觉与模式识别
2021-12-14 v1
摘要
目前，在线视频游戏已成为日益受欢迎的娱乐来源，而《反恐精英：全球攻势》(CS: GO) 是排名前列的在线第一人称射击游戏之一。电子竞技每年都会举办众多竞技比赛。然而，(i) 尚未有研究针对 CS: GO 游戏过程的视频分析与动作识别，而这可在游戏行业的预测模型中发挥重要作用；(ii) 尚未有工作涉及对 CS: GO 比赛动作与结果的实时应用；(iii) 比赛的比赛数据通常以 CSV 格式文件在 HLTV 上提供，但其不开放访问且 HLTV 倾向于阻止用户获取数据。本稿件旨在开发一个模型，用于准确预测 4 种不同的动作，并比较五种不同迁移学习模型与我们自主开发的深度神经网络之间的性能，确定最适配的模型，随后引入多数投票，该模型能够提供实时预测，其结果有助于构建自动收集与处理更多数据的系统，并解决从 HLTV 收集数据的问题。
引用
@article{arxiv.2111.03882,
title = {Action Recognition using Transfer Learning and Majority Voting for CSGO},
author = {Tasnim Sakib Apon and Abrar Islam and MD. Golam Rabiul Alam},
journal= {arXiv preprint arXiv:2111.03882},
year = {2021}
}