- Chinese Chess Recognition
- Xiangqi Recognition
黑子(将士相马车炮卒 对应简写
kabnrcp) 、红子(帅将相马车炮卒 对应简写KABNRCP) + 其他 简写x+ 空位 简写.
希望开发一个更通用的中国象棋棋局识别系统，以应对复杂的真实场景下的棋局识别挑战。提出了一种基于深度学习的方法，能够直接从图像中预测棋局信息(棋盘位置，棋子位置，棋子类型)。 为此收集了一些 游戏场景、真实场景的中国象棋相关的图片、视频，涵盖多种棋局和拍摄条件。我们的模型通过创新的网络架构设计，进行高精度的棋盘检测和棋子分类识别的准确率。 由于古早时期大多都是固定的棋盘、棋子。或者是基于对棋盘、棋子特征的方案，但都存在局限性。在真实场景下，拍摄角度、棋盘、棋子都会影响识别效果。 本研究尝试使用深度学习通过分三步进行 棋盘识别、关键点检测、多区域分类检测。采用先进的 Swin Transformer2 网络架构，对棋盘进行 10x9 区域分类检测。
象棋爱好者，希望在 AI 的帮助下，能够更快的提升棋力。 使用了多款 APP 对棋局进行拍照分析时，发现对真实场景（即非电脑画面）的棋局识别效果不佳。 特别是在某些角度，如棋盘倾斜、棋子摆放不正、棋盘背景复杂等场景下，识别效果不佳。 从效果上看上看，只针对了屏幕游戏场景进行了优化。
得益于深度学习的发展，在现在模型和方法的进步，发现在某些领域上的识别方法，与象棋也有着一定的相似性,开始尝试使用深度学习的方法进行棋谱识别问题。
- 分步处理策略
- 尝试方法
- 端到端识别
- 物体检测与关键点检测
- 多区域分类检测
项目开始时，尝试了多种方法，但都存在局限性。 比如： 1.基于汉字识别，希望借助汉字识别的模型，来识别棋子，哪怕是不准确，也可以用来帮助标注任务。但很可惜，效果并不理想，猜测是 文字识别模型，需要更多的语义上下文，对这种 单个字无意义的顺序，效果并不理想。 2.YOLO，尝试过，由于数据量太小，不得不放弃，也尝试自定义 header 用于处理 90 分类的棋子，但效果并不理想。因为 YOLO 的默认工作方法与实际情况不太贴合。yolo 提供的三组特征，实际也只有一个组生效，因为棋子的大小都是 差不多的。 3.multi-head multi-task + Vision Transformer 模型, 同时检测 90个位置的 棋子颜色，棋子文字分类(帅将、士、象相、车、马、炮、兵卒) 一起 棋局bbbox 信息。 4.使用 LineNet 模型，通过 棋盘的直线检测，来辅助棋子检测。
- 但象棋的棋子是在线上的，会干扰直线的预测
除了第一个外，其他都是常用的视觉方案，但都存在局限性（超多的数据集），用于处理不同场景的识别问题。 这是人的局限性，不是模型的局限性。
这是最终的目的，最优化的模型方案，最直接的答案谁不想要呢? 但这也是最困难最复杂的方案，需要足够多的数据、足够多的标注、足够多的计算资源。 参考国际象棋领域的 End-to-End Chess Recognition， 基于该文章的思路，可以实现。 但目前训练经费、计算资源 都很高、而且我没有。真实场景的标注样本也很难获取。 综上，分布标注对我来说，是更可行的方案，每一步都是相对简单，更容易验证。
物体检测 略. 关键点检测，棋盘上总共 10x9 个位置。真实图片中 90 个关键点太难标注,跳过。 34 个关键点，棋盘的外圈。标注为
A0 A1 A2 A3 A4 A5 A6 A7 A8
B0 B8
C0 C8
D0 D8
...
E-I
...
J0 J1 J2 J3 J4 J5 J6 J7 J8
但实际上，A1-A7 这些也可以消除，有一定的冗余性。 最终保留了 A0、A8、J0、J8 四个关键点。
参考 Figure 1
在获取 A0、A8、J0、J8 四个关键点后，即获取棋盘的 4 个角点。 A0 与 A8, 为 黑方 的两个角点 J0 与 J8, 为 红方 的两个角点
通过 4 个角点，可以将图片透视变化成俯视图。 这不适用于国际象棋，但非常适配中国象棋。 如果因为图片拍摄角度问题，导致棋盘倾斜，这会使得预测难度提升。但透视变化后，可以减少影响。
例如：
->
16 分类包含: 黑子(将士相马车炮卒 对应简写kabnrcp) 、红子(帅将相马车炮卒 对应简写KABNRCP) + 其他 简写x + 空位 简写.
将俯视图 通过 backbone 后，再使用 卷积 来处理特征信息，最终特征宽高为 10x9x16
最终输出特征图
+----------+
/ /|
/ 16 |
/ / |
+----9-----+ |
| | |
| | |
| | |
| 10 +
| | /
| | /
| |/
+----------+
用于预测预测棋局信息
参考 Figure 2
- 数据集
- 数据采集、标注
- 数据增强
- 识别模型
- 网络架构与损失函数
- 训练策略
- 评估指标
- 目前数据集来自网络视频、以及图片，以及使用网页游戏截图。其中来自 103 个对局视频。训练图片 12000 张，测试图片 3000 张。
- 采用 x-anything 格式存储，方便修改以及导出 yolo 格式。
- 使用 gradio 编写 标注工具，方便处视频文件的标注，因为部分视频存在抖动无法批量标注。
- 预览：使用 fiftyone 预览数据集，方便查看数据集。
- 多次迭代: 前期数量少，对错误标记进行修正.
- hsv、亮度、对比度、饱和度：这种基于颜色的变化，幅度要小，否则会改变棋子的颜色。
- 使用随机透视变换：模拟不同拍摄角度。
CChessHalfFlip: 随机翻转复制，由于棋盘是中心对称，但棋子不是， 布局是10x9，需要特殊处理。水平复制时，调整成 4 10x4, 中线的 A4-J4 保持不动。mixup: 由于象棋本身的棋子问题，导致棋子数量不均，需要通过其他棋子来平衡。inject pieces: 将 棋子从图片上抠出来，然后随机粘贴到其他位置。- 或者将半边、1/4 边复制到 其他棋局中，并改变对应 标注信息
- 在分类任务是，使用一些缩放、旋转、裁剪、翻转等操作，可以抵消 pose 预测的误差，增加整体鲁棒性。
det 和 pose 都是采用了 RTM 模型。
多区域分类检测(cchess_cls_net)，采用了 Swin Transformer2 网络架构。 使用三个 conv 层，来处理特征信息，最终特征宽高为 10x9x16,
loss 使用 LabelSmoothLoss, 如果使用 CrossEntropyLoss 应该也可以，但是需要进行迭代更新 gt label。
使用 MMPreTrain 预训练模型,
- 200 次 epochs, lr 0.001, 使用 AdamW 优化器。
- 基本在 100 个 epoch 后收敛, 具体根据训练集数据大小调整。
- 部分 embedding 使用
freeze策略，在训练过程中不进行更新, 这基本不影响。 weights: 由于棋局本身限制，空位本身就很多，以及棋子数量不均，需对棋子分类权重进行调整。
'point': .2,
'other': 1.,
'red_king': 2.,
'red_advisor': 1.,
'red_bishop': 1.,
'red_knight': 1.,
'red_rook': 1.,
'red_cannon': 1.,
'red_pawn': .8,
'black_king': 2.,
'black_advisor': 1.,
'black_bishop': 1.,
'black_knight': 1.,
'black_rook': 1.5,
'black_cannon': 1.,
'black_pawn': 1.,
| 结合传统的多分类方法，使用准确率、召回率、F1 等指标。
| 指标 | 值 |
|---|---|
| f1-score | 0.9886 |
| f1-score_micro | 0.993 |
| mAP | 0.995 |
| precision | 0.988 |
| recall | 0.992 |
| 以及对 16 分类分别作了对应的 评估
| 分类 | precision |
|---|---|
| black_advisor | 0.996 |
| black_bishop | 0.998 |
| black_cannon | 0.997 |
| black_king | 0.997 |
| ... | ... |
| other | 0.951 |
| point | 0.99 |
| ... | ... |
| 对90 个位置的正确率进行 评估
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |
|---|---|---|---|---|---|---|---|---|---|
| A | 98.8 | 98.4 | 99.1 | 99.2 | 99.4 | 99.5 | 99.5 | 99.6 | 99.9 |
| ... | |||||||||
| J |
- 与现有方法对比
- 消融实验
- 更小的模型
- 减少检测步骤
- 主要发现
- 局限性
- 未来工作方向
- 实现细节
- 使用说明
- 数据统计
- 示例图像