用于 MoonBoard 攀岩路线分类与生成的循环神经网络
机器学习
2021-02-04 v1 计算机视觉与模式识别
摘要
对攀岩路线难度进行分类并生成新路线均具挑战性。现有机器学习模型不仅无法准确预测问题的难度，也无法生成合理的路线。本工作中，我们引入了自行开发的“BetaMove”这一新的动作预处理流程，以模拟人类攀岩者的手部序列。预处理后的动作序列随后被用于训练路线生成器与难度预测器。通过将 MoonBoard 问题预处理为恰当的序列，我们的难度预测器准确率接近人类水平，且我们的路线生成器相比先前工作产出质量好得多的新路线。我们展示了借助 BetaMove 能够将人类见解注入机器学习问题，这可作为未来攀岩风格分类问题迁移学习的基础。
引用
@article{arxiv.2102.01788,
title = {Recurrent Neural Network for MoonBoard Climbing Route Classification and Generation},
author = {Yi-Shiou Duh and Ray Chang},
journal= {arXiv preprint arXiv:2102.01788},
year = {2021}
}
备注
9 pages, 4 figures, 4 appendix figures