Chessboard Recognition 的无监督域适应方法
计算机视觉与模式识别
2024-10-22 v1 机器学习
摘要
Chess 需要广泛研究，玩家需手动记录比赛，对过程造成时间消耗和注意力分散。缺乏高质量标注的棋盘照片以及手动标注的繁琐，阻碍了深度学习(DL)在自动化记录领域的广泛应用。本文提出了采用域适应(DA)的端到端管道，使用合成标注图像预测实际拍摄的无标注棋盘图像的标签。该管道包括预处理阶段，用于检测棋盘、裁剪 individual squares 并逐一输入 DL 模型进行预测。模型预测每个 square 的标签并传递给后处理管道生成棋局的 Forsyth-Edwards 记号(FEN)。所考察的三种方法如下：使用在 ImageNet 上预训练的 VGG16 模型（称为 Base-Source），微调预测源域 squares 后用于预测目标域 squares且不进行域适应；改进版 Base-Source 模型对 VGG16 的部分最终全连接层应用 CORAL loss 实现 DA；以及使用域对抗神经网络(DANN)，通过域判别器的对抗训练实现 DA。虽然我们未使用目标域标签，但训练了一个与 Base-Source 相同架构的基线模型（称为 Base-Target），直接在目标域上训练以获得通过域适应可实现的性能上限。结果表明，DANN 模型仅比 Base-Target 模型损失 3% 的准确率，却节省了标注数据的全部工作量。
关键词
引用
@article{arxiv.2410.15206,
title = {Unsupervised Domain Adaptation Approaches for Chessboard Recognition},
author = {Wassim Jabbour and Enzo Benoit-Jeannin and Oscar Bedford and Saif Shahin},
journal= {arXiv preprint arXiv:2410.15206},
year = {2024}
}
备注
30 pages, 23 figures