使视频解析的卷积神经网络更易获取

传统上，提取高分辨率电子竞技游戏的游戏事件序列需要访问游戏引擎。这对没有此类访问权限的群体构成了障碍。虽然可以应用深度学习从游戏视频中推导出这些日志，但这需要计算能力，构成了额外的障碍。这些群体，例如小型电子竞技赛事组织者，将受益于获取这些日志，以便更好地可视化游戏过程，为观众和评论员提供信息。本文提出了一种组合解决方案，以减少应用卷积神经网络（CNN）从电子竞技游戏视频中提取事件所需的计算资源和时间。该解决方案包括加速 CNN 训练的技术和更快执行预测的方法。这扩展了能够训练和运行这些模型的机器类型，进而扩大了使用此方法提取游戏日志的可及性。我们在最受欢迎的电子竞技游戏之一 DOTA2 领域评估了这些方法。我们的结果表明，我们的方法优于标准的反向传播基线。