研究人员为电子竞技开发了一个智能观察器

电子竞技，已经是一个价值十亿美元的产业，正在增长，部分原因是人类游戏观察员。他们控制摄像机的移动并向观众展示游戏画面中最吸引人的部分。然而，这些观察者可能会错过跨多个屏幕同时发生的重要事件。在小型锦标赛中也很难负担得起。

因此，对自动观察器的需求不断增长。人工观察方法可以是基于规则的，也可以是基于学习的。它们都预定义了事件及其重要性，因此需要广泛的领域知识。此外，它们无法捕获未定义的事件或辨别事件重要性的变化。

最近，由光州科学技术学院副教授Kyung-JongKim博士领导的韩国研究人员提出了一种克服这些问题的方法。“我们使用对象检测算法MaskR-CNN创建了一个自动观察器，以学习人类观察数据，”Kim博士解释说。他们的发现于2022年10月10日在线发布在ExpertSystemswithApplications期刊上。

新颖之处在于将对象定义为观众所看到的二维空间区域。相比之下，传统的对象检测将单个单元(例如，工人或建筑物)视为对象。在这项研究中，研究人员首先从25名参与者那里收集了《星际争霸》游戏中的人类观察数据。

接下来，视口——观众看到的区域——被识别并标记为“一个”。屏幕的其余部分充满了“零”。虽然游戏中的特征被用作输入数据，但人类观察构成了目标信息。

然后，研究人员将数据输入卷积神经网络(CNN)，该网络学习视口的模式以找到“共同兴趣区域”(ROCI)——观众观看时最激动人心的区域。然后，他们将ROCIMaskR-CNN方法与其他现有方法进行了定量和定性比较。

之前的评估表明，CNN预测的视口与收集到的人类观察数据相似。此外，从长远来看，基于ROCI的方法在泛化测试中优于其他方法，该测试涉及不同的比赛、起始位置和比赛地图。提议的观察者能够捕捉到人类感兴趣的场景。相比之下，它无法通过行为克隆(一种模仿学习技术)来完成。

Kim博士指出了他们工作的未来应用。“该框架可以应用于代表某些整体游戏状态的其他游戏，而不仅仅是星际争霸。随着多屏传输等服务在电子竞技中的不断发展，拟议的自动观察器将在这些可交付成果中发挥作用。它还将在未来开发的附加内容中积极使用。”