Play2Live 开发简报：机器学习

Play2Live正在构建一种算法，该算法使用计算机视觉可以识别玩家直播过程中发生的动作。在计算机视觉的帮助下，该系统旨在可视化和处理特定游戏中发生的所有事物。

为了构建这个FEATURE，Play2Live正在使用最新版本的开源库，例如OpenCV和DLib。早期机器学习开发的一个众所周知的缺点是缺乏允许和可读的数据来为数据处理分配必要的基点。值得庆幸的是，直播允许Play2Live从游戏直播或录制的镜头中获取原始数据，以集成到用于训练的机器学习算法中。

我们已经使用经典的cv方法进行了一些实验，例如阈值处理，边缘检测器，模板匹配等。我们可以使用经典方法节省计算某些基本游戏状态所需的一些CPU时间，而无需任何资源密集型的机器学习方法。有时我们采用基于机器学习的更复杂的方法，例如SVM，k-NN等，这使我们能够处理更复杂的任务。

然而，有时在我们的初始实验设计中使用的线性模型不适用于某些任务集。在这些情况下，我们使用基于深度学习的现代技术。为了验证我们的假设，我们使用具有Tensorflow背景的Keras框架来训练我们任务的卷积神经网络模型。这允许非常快速地教授和验证模型。

我们将继续构建，测试和更新为我们的用户带来完整Play2Live体验所需的底层系统。

敬请关注！