荣昌| 禹城| 上思| 淮阴| 长白山| 依安| 茄子河| 陈仓| dafabet.com 大发时时彩中奖助手 饶阳| ca88 建始| 资兴| 南山| 大发888娱乐 马祖| 桦南| 神池| dafa888经典版网页 泗洪| 鸡泽| manbetx66 麦盖提| 最新ag客户端下载 大发手游上分 义县| bwin 云霄| 岑巩| 潘集| 增城| BR88app.COM w88 惠农| 龙里| 桐梓| 万博体育app手机投注 宁明| 舞钢| 三穗| 府谷| 资溪| 娄底| tempbet天博博彩 昌图| 常熟| ag亚游平台下载 betway体育 郓城| 红星| 抚州| 峨边| 灵寿| betway必威 塔城| ca888 漳平| 马边| w88官网 崇明| 3344222.com manbetx客户端2.0 瑞安| 浦江| 郸城| 襄阳| app.1manbetx.com 平南| 盘山| 博管理 bwin必赢 阳山| 巴楚| 哈尔滨| 乐天堂官网 潜山| 呼和浩特| 罗甸| BR88 ca888亚洲成唯一官网 高安| 泗阳| 彰武| 紫金| 88必发客户端 大发888娱乐 台安| 凯里| 泰兴| 株洲县| 凤台| 鹿泉| 甘孜| 鄂州| 蓬安| 兴国| 宜秀| br88冠亚 平遥| 广宗| 栾城| 广东| 揭西| 谷城| 横县| 岳阳市| 亚洲城电脑版官方网站 奉化| dafa888bet 西青| 优德88 南沙岛| 保定| 海丰| 万博app安卓 乌兰浩特| 新巴尔虎左旗| 方山| manbetx登陆 肃宁| 大渡口| betway88 台中市| 大新| 苏家屯| 凤阳| bwin体育 br88冠亚 望奎| manbetx登录 壤塘| 正阳| 抚宁| 固镇| 万博体育1.0 虎林| 肥西| 肃宁| 冠亚彩票 荥阳| www.3344444.com 额尔古纳| 大发快3 南芬| manbetxapp娱乐 镇康| 眉山| 砚山| 桃源| w88 东川| 东营| 库尔勒| 寰宇浏览器官方版下载 襄樊| 三台| weide1946 石林| 汝阳| 五家渠| 荔浦| 五华| 宝兴| betway88 br8847 常宁| 浮梁| 大奖网站 陇南| 辽阳市| br88 延安| 抚松| 冠亚娱乐 武胜| manbetx苹果 通许| 哈尔滨| 呼伦贝尔| 枞阳| 宁陕| 突泉| 大发888赌场 兴海| ca88亚洲城娱乐手机版 优德88中文 万博体育最新 芒康| 郏县| 垣曲| 石泉| 噶尔| 必威体育 兖州| 乡宁| ca88官网 泉港| 海原| dafa888 电白| w88top 88bifa br88冠亚 漳平| 双江| 乐业| BR88官网 dafabet888娱乐场 南岳| 虎林| 禄劝| 满洲里| 菏泽| uedbet备用 韶关| br8847 白沙| 狗万滚球 manbetx登录 和龙| 南安| 万博赞助奥运会 万博体育 塔城| dafabet.casino手机版 威海| 洛南| 泸县| 保亭| 绥滨| wanbetx 灌南| br官网 萨迦| 五通桥| 承德市| 陆河| 灵璧| 蓬安| 万博manbetx BR88 fun88 万博体育彩票 优德娱乐88 冠亚娱乐 东光| br88 乌兰浩特| 绥中| 化隆| 庄河| 咸阳| 逊克| 冠亚br88 玉树| 根河| 磁县| 北宁| 汤阴| tb通宝娱乐官网娱乐 托里| 博管理 fun88 应城| dafa888bet 南浔| 澄江| 南通| 开县| 玛多| 登封| 冠亚彩票 东西湖| 韦德1946 yzc666亚洲城官网 尼勒克| 镇安| 南岳| 凌云| 冠亚彩票 阿克陶| 3344555 阿巴嘎旗| 亚洲城客户端下载官网 manbetx客户端 br88 dafa888casino手机版 夷陵| 额尔古纳| 万博体育论坛 新版uedbet 韦德1946 万博体育 邵东| 南浔| BR88 扎囊| fun88 大理|

【治国理政新实践·安徽篇】安徽:努力在创新上实现更大作为

2019-02-24 13:17 来源:39健康网

  【治国理政新实践·安徽篇】安徽:努力在创新上实现更大作为

  dafabet手机娱乐版Минск,15ноября/Синьхуа/--ВМинскесегодняоткрылся5-йБелорусско-Китайскиймолодежныйинновационныйфорум"Новыегоризонты-2018".Вдвухдневноммероприятиипринимаютучастиесвыше200молодыхученыхизКитаяиБеларуси.(Синьхуа/ВэйЧжунцзе)+1

  據悉,從14日至18日,在為期五天的藝術節期間,還將舉辦胡琴專場音樂會、中國戲曲學院胡琴教學成果展示音樂會、京劇唱腔的韻味把握專題講座等其他活動。包括各締約單位在內的中國互聯網視聽節目服務單位,應該為營造健康有序的互聯網視聽節目服務環境,承擔起相應的社會責任和媒體責任。

    值得注意的是,上述“停牌釘子戶”長期停牌的理由,無一例外是“重大資産重組”。 愛知県立大学の鈴木隆准教授は、日本が今後、より積極的に中国の新たな改革開放に関与していくことになると述べ、日本企業は都市交通や環境保護、少子高齢化、医療などの技術やノウハウの提供にさらに力を入れていくことができるとの見方を示した。

  巡邏民警立即駕駛警車追上去,截停該車進行檢查。八、締約單位如長期不履行本公約之約定義務或已經停止開辦視聽節目服務,視為自動退出本公約。

小組賽階段16支報名球隊按聯賽排名,分為A、B兩組,各8支球隊(中超球隊在前,其次為中甲球隊和中乙球隊),進行單循環比賽共7輪比賽。

  今年9月,世界反興奮劑機構恢復了俄羅斯反興奮劑機構的資格。

  料理の原材料も安全で確かなサプライチェーンを通して集中的に生産、加工され、コールドチェーンで店舗まで配送されることで、食品の安全性を保証している。  15座熱點城市分別為北京、天津、上海、南京、無錫、杭州、合肥、福州、廈門、濟南、鄭州、武漢、廣州、深圳、成都。

  中國互聯網視聽節目服務自律公約為促進互聯網視聽節目服務産業的長遠發展,營造健康有序的互聯網視聽節目服務環境,維護國家利益和公共利益,本公約各締約單位特作如下自律公約:一、各締約單位應充分認識到:淫穢色情、暴力低俗的視聽節目和侵權盜版視聽節目在網上肆意傳播,嚴重污染了網絡環境,影響了未成年人的健康成長,損害了互聯網視聽節目服務業的長遠發展。

  双方は共に努力し、両国関係がしっかりといつまでも発展するよう推進していかなければならない。Сеул,14ноября/Синьхуа/--ВовторниквСингапуреофициальнооткрылся33-йсаммитАСЕАНисериявстречруководителейстранпосотрудничествувВосточнойАзии.Наполяхсаммитазапланированомножествовстречлидеровстранпомногостороннемусотрудничеству,втомчислезаседаниеруководителейАСЕАНиКитая,Японии,РеспубликиКорея/РК/вформате"10плюс3"иВосточноазиатскийсаммит.Винтервьюкорр.Синьхуа,секретарьСекретариатапосотрудничествумеждуКитаем,ЯпониейиРКЛиЧонХенпередотъездомвСингапурзаявил,чтосотрудничествотрехстранвернулосьвактивноерусло,чтопридалоновыйимпульсвзаимодействиюиинтеграциивВосточнойАзии."СотрудничествомеждуКитаем,ЯпониейиРКпродолжаетразвиватьсявсторонустимулированиявзаимодействияиобоюдноговыигрыша",--отметилон.Поегословам,сотрудничествомеждутремястранамикрайневажнодляинтеграциивВосточнойАзии,онидополняютдругдруга."ЕслиАСЕАНявляетсяпредставительнымрегиональныммеханизмомсотрудничествавЮго-ВосточнойАзии,токооперациямеждуКитаем,ЯпониейиРКслужитхарактернымрегиональныммеханизмомсотрудничествавСеверо-ВосточнойАзии.ОнинеизолированыдруготдругаврамкахвзаимодействиявВосточнойАзии".ЛиЧонХенполагает,что,исходяизточкизрениямасштабовнаселенияиторговли,атакжепотенциалаэкономическогоразвития,механизмсотрудничествамеждутремястранамииграетважнуюрольвпродвижениисозданияВосточноазиатскогосообщества.Поегомнению,сотрудничествомеждуКитаем,ЯпониейиРКтакжепредоставилостранамВосточнойАзииопыт,заслуживающийзаимствования.Историятрехстороннеговзаимодействияпоказывает,чтотолькопутемсодействияпрактическомусотрудничествуможнопринестипользунаселениюиполучитьегоподдержку.ВмаевТокиопрошласедьмаявстречаруководителейКитая,ЯпониииРК,накоторойучастникидостиглирядадоговоренностейпотакимвопросам,какдальнейшееуглублениеирасширениетрехстороннеговзаимоедйствия,содействиемируистабильностиврегионеивовсеммире,атакжесовместноестимулированиепроцветанияиразвитиянапланете.ЛиЧонХенсчитает,чтотремстранамнеобходимоукрепитьсотрудничестводлясовместногоответанаудар,нанесенныйторговымпротекционизмом.Онподчеркнул,чтосодействиесозданиюзонысвободнойторговлимеждуКитаем,ЯпониейиРКимеетважноезначение.Однакоонтакжепризнал,чтоПекину,ТокиоиСеулунелегконалаживатьсотрудничество."Сторонамследуетвполноймереразобратьсявполитикестранрегионаиустранитьнедопониманияпутемконтактов",--заключилон.

  AVALON總工程師勝又正人稱,全新AVALON在研發全過程中,在設計、駕控、動力等方面追求三大“雙極Premium”,並且加入頂級的安全技術和智能配置,大膽地突破固有束縛,以不妥協的設計態度,將目標人群從對現有汽車品牌的“妥協”中解放出來。

  weide1946Вучебнуюпрограмму2-йэкспериментальнойначальнойшколыуездаЖунъаньГуанси-ЧжуанскогоАР/ЮжныйКитай/впоследниегодыактивновнедряютмероприятия,накоторыхучащиесяимеютвозможностьпознакомитьсясразличнымиаспектамитрадиционнойкультурыКитая.

  約150カ国地域の政府関係者やビジネス関係者、関連国際機関の担当者が招きに応じて出席する。  同時,國家網信辦要求各平臺採取有力有效措施清存量、控增量,全面清理僵屍號、僵屍粉,修訂賬號注冊規則,改進推薦算法模型,完善內容管理係統,健全各項制度,堅決遏制自媒體亂象。

  br88冠亚 bwin体育 dafa888

  【治国理政新实践·安徽篇】安徽:努力在创新上实现更大作为

 
责编:
炼数成金 门户 商业智能 人工智能 查看内容

【治国理政新实践·安徽篇】安徽:努力在创新上实现更大作为

寰宇浏览器网址 “在市場降溫的情況下,很多人急于賣房,很有可能實現買賣雙方共同承擔中介費。

2018-1-19 11:50| 发布者: 炼数成金_小数| 查看: 56777| 评论: 0|原作者: 肖泰洪、安捷|来自: 知乎

摘要: 最近,微信小游戏跳一跳可以说是火遍了全国,从小孩子到大孩子仿佛每一个人都在刷跳一跳,作为无(zhi)所(hui)不(ban)能(zhuan)的AI程序员,我们在想,能不能用人工智能(AI)和计算机视觉(CV)的方法来玩一 ...

网络 算法 模型 测试 IOS

最近,微信小游戏跳一跳可以说是火遍了全国,从小孩子到大孩子仿佛每一个人都在刷跳一跳,作为无(zhi)所(hui)不(ban)能(zhuan)的AI程序员,我们在想,能不能用人工智能(AI)和计算机视觉(CV)的方法来玩一玩这个游戏?于是,我们开发了微信跳一跳Auto-Jump算法,重新定义了玩跳一跳的正确姿势,我们的算法不仅远远超越了人类的水平,在速度和准确度上也远远超越了目前已知的所有算法,可以说是跳一跳界的state-of-the-art,下面我们详细介绍我们的算法。

算法的第一步是获取手机屏幕的截图并可以控制手机的触控操作,我们的github仓库里详细介绍了针对Android和IOS手机的配置方法。

你只需要按照将手机连接电脑,按照教程执行就可以完成配置。在获取到屏幕截图之后,就是个简单的视觉问题。我们需要找的就是小人的位置和下一次需要跳的台面的中心。

如图所示,绿色的点代表小人当前的位置,红点代表目标位置。


多尺度搜索(Multiscale Search)
这个问题可以有非常多的方法去解,为了糙快猛地刷上榜,我一开始用的方式是多尺度搜索。我随便找了一张图,把小人抠出来,就像下面这样。


另外,我注意到小人在屏幕的不同位置,大小略有不同,所以我设计了多尺度的搜索,用不同大小的进行匹配,最后选取置信度(confidence score)较高的。

多尺度搜索的代码长这样
def multi_scale_search(pivot, screen, range=0.3, num=10):
    H, W = screen.shape[:2]
    h, w = pivot.shape[:2]
 
    found = None
    for scale in np.linspace(1-range, 1+range, num)[::-1]:
        resized = cv2.resize(screen, (int(W * scale), int(H * scale)))
        r = W / float(resized.shape[1])
        if resized.shape[0] < h or resized.shape[1] < w:
            break
        res = cv2.matchTemplate(resized, pivot, cv2.TM_CCOEFF_NORMED)
 
        loc = np.where(res >= res.max())
        pos_h, pos_w = list(zip(*loc))[0]
 
        if found is None or res.max() > found[-1]:
            found = (pos_h, pos_w, r, res.max())
 
    if found is None: return (0,0,0,0,0)
    pos_h, pos_w, r, score = found
    start_h, start_w = int(pos_h * r), int(pos_w * r)
    end_h, end_w = int((pos_h + h) * r), int((pos_w + w) * r)
    return [start_h, start_w, end_h, end_w, score]

我们来试一试,效果还不错,应该说是又快又好,我所有的实验中找小人从来没有失误。

不过这里的位置框的底部中心并不是小人的位置,真实的位置是在那之上一些。


同理,目标台面也可以用这种办法搜索,但是我们需要收集一些不同的台面,有圆形的,方形的,便利店,井盖,棱柱等等。由于数量一多,加上多尺度的原因,速度上会慢下来。这时候,我们就需要想办法加速了。首先可以注意到目标位置始终在小人的位置的上面,所以可以操作的一点就是在找到小人位置之后把小人位置以下的部分都舍弃掉,这样可以减少搜索空间。但是这还是不够,我们需要进一步去挖掘游戏里的故事。小人和目标台面基本上是关于屏幕中心对称的位置的。这提供了一个非常好的思路去缩小搜索空间。假设屏幕分辨率是(1280,720)的,小人底部的位置是(h1, w1),那么关于中心对称点的位置就是(1280 – h1, 720 – w1),以这个点为中心的一个边长300的正方形内,我们再去多尺度搜索目标位置,就会又快有准了。效果见下图,蓝色框是(300,300)的搜索区域,红色框是搜到的台面,矩形中心就是目标点的坐标了。


加速的奇技淫巧(Fast-Search)
玩游戏需要细心观察。我们可以发现,小人上一次如果跳到台面中心,那么下一次目标台面的中心会有一个白点,就像刚才所展示的图里的。更加细心的人会发现,白点的RGB值是(245,245,245),这就让我找到了一个非常简单并且高效的方式,就是直接去搜索这个白点,注意到白点是一个连通区域,像素值为(245,245,245)的像素个数稳定在280-310之间,所以我们可以利用这个去直接找到目标的位置。这种方式只在前一次跳到中心的时候可以用,不过没有关系,我们每次都可以试一试这个不花时间的方法,不行再考虑多尺度搜索。

讲到这里,我们的方法已经可以运行的非常出色了,基本上是一个永动机。下面是用我的手机玩了一个半小时左右,跳了859次的状态,我们的方法正确的计算出来了小人的位置和目标位置,不过我选择狗带了,因为手机卡的已经不行了。


以下是效果演示:


这里有一个示例视频,欢迎观看!

视频链接:https://v.vzuu.com/video/932359600779309056

到这里就结束了吗?那我们和业余玩家有什么区别?下面进入正经的学术时间,非战斗人员请迅速撤离!

CNN Coarse-to-Fine 模型
考虑到IOS设备由于屏幕抓取方案的限制(WebDriverAgent获得的截图经过了压缩,图像像素受损,不再是原来的像素值,原因不详,欢迎了解详情的小伙伴提出改进意见~)无法使用fast-search,同时为了兼容多分辨率设备,我们使用卷积神经网络构建了一个更快更鲁棒的目标检测模型,下面分数据采集与预处理,coarse模型,fine模型,cascade四部分介绍我们的算法。

数据采集与预处理
基于我们非常准确的multiscale-search、fast-search模型,我们采集了7次实验数据,共计大约3000张屏幕截图,每一张截图均带有目标位置标注,对于每一张图,我们进行了两种不同的预处理方式,并分别用于训练coarse模型和fine模型,下面分别介绍两种不同的预处理方式。

Coarse 模型数据预处理
由于每一张图像中真正对于当前判断有意义的区域只在屏幕中央位置,即人和目标物体所在的位置,因此,每一张截图的上下两部分都是没有意义的,因此,我们将采集到的大小为1280*720的图像沿x方向上下各截去320*720大小,只保留中心640*720的图像作为训练数据。

我们观察到,游戏中,每一次当小人落在目标物中心位置时,下一个目标物的中心会出现一个白色的圆点,


考虑到训练数据中fast-search会产生大量有白点的数据,为了杜绝白色圆点对网络训练的干扰,我们对每一张图进行了去白点操作,具体做法是,用白点周围的纯色像素填充白点区域。

Fine 模型数据预处理
为了进一步提升模型的精度,我们为fine模型建立了数据集,对训练集中的每一张图,在目标点附近截取320*320大小的一块作为训练数据,


为了防止网络学到trivial的结果,我们对每一张图增加了50像素的随机偏移。fine模型数据同样进行了去白点操作。

Coarse 模型
我们把这一问题看成了回归问题,coarse模型使用一个卷积神经网络回归目标的位置,

def forward(self, img, is_training, keep_prob, name='coarse'):
    with tf.name_scope(name):
        with tf.variable_scope(name):
            out = self.conv2d('conv1', img, [3, 3, self.input_channle, 16], 2)
            # out = tf.layers.batch_normalization(out, name='bn1', training=is_training)
            out = tf.nn.relu(out, name='relu1')
 
            out = self.make_conv_bn_relu('conv2', out, [3, 3, 16, 32], 1, is_training)
            out = tf.nn.max_pool(out, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
 
            out = self.make_conv_bn_relu('conv3', out, [5, 5, 32, 64], 1, is_training)
            out = tf.nn.max_pool(out, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
 
            out = self.make_conv_bn_relu('conv4', out, [7, 7, 64, 128], 1, is_training)
            out = tf.nn.max_pool(out, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
 
            out = self.make_conv_bn_relu('conv5', out, [9, 9, 128, 256], 1, is_training)
            out = tf.nn.max_pool(out, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
 
            out = tf.reshape(out, [-1, 256 * 20 * 23])
            out = self.make_fc('fc1', out, [256 * 20 * 23, 256], keep_prob)
            out = self.make_fc('fc2', out, [256, 2], keep_prob)
 
    return out

经过十小时的训练,coarse模型在测试集上达到了6像素的精度,实际测试精度大约为10像素,在测试机器(MacBook Pro Retina, 15-inch, Mid 2015, 2.2 GHz Intel Core i7)上inference时间0.4秒。这一模型可以很轻松的拿到超过1k的分数,这已经远远超过了人类水平和绝大多数自动算法的水平,日常娱乐完全够用,不过,你认为我们就此为止那就大错特错了~

Fine 模型
fine模型结构与coarse模型类似,参数量稍大,fine模型作为对coarse模型的refine操作,

def forward(self, img, is_training, keep_prob, name='fine'):
    with tf.name_scope(name):
        with tf.variable_scope(name):
            out = self.conv2d('conv1', img, [3, 3, self.input_channle, 16], 2)
            # out = tf.layers.batch_normalization(out, name='bn1', training=is_training)
            out = tf.nn.relu(out, name='relu1')
 
            out = self.make_conv_bn_relu('conv2', out, [3, 3, 16, 64], 1, is_training)
            out = tf.nn.max_pool(out, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
 
            out = self.make_conv_bn_relu('conv3', out, [5, 5, 64, 128], 1, is_training)
            out = tf.nn.max_pool(out, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
 
            out = self.make_conv_bn_relu('conv4', out, [7, 7, 128, 256], 1, is_training)
            out = tf.nn.max_pool(out, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
 
            out = self.make_conv_bn_relu('conv5', out, [9, 9, 256, 512], 1, is_training)
            out = tf.nn.max_pool(out, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
 
            out = tf.reshape(out, [-1, 512 * 10 * 10])
            out = self.make_fc('fc1', out, [512 * 10 * 10, 512], keep_prob)
            out = self.make_fc('fc2', out, [512, 2], keep_prob)
 
    return out

经过十小时训练,fine模型测试集精度达到了0.5像素,实际测试精度大约为1像素,在测试机器上的inference时间0.2秒。

Cascade



总体精度1像素左右,时间0.6秒。

总结
针对这一问题,我们利用AI和CV技术,提出了合适适用于IOS和Android设备的完整解决方案,稍有技术背景的用户都可以实现成功配置、运行,我们提出了Multiscale-Search,Fast-Search,CNN Coarse-to-Fine三种解决这一问题的算法,三种算法相互配合,可以实现快速准确的搜索、跳跃,用户针对自己的设备稍加调整跳跃参数即可接近实现“永动机”。讲到这里,似乎可以宣布,我们的工作terminate了这个问题,微信小游戏跳一跳 game over!

友情提示:适度游戏益脑,沉迷游戏伤身,技术手段的乐趣在于技术本身而不在游戏排名,希望大家理性对待游戏排名和本文提出的技术,用游戏娱乐自己的生活

声明:本文提出的算法及开源代码符合MIT开源协议,以商业目的使用该算法造成的一切后果须由使用者本人承担

Git仓库地址:
https://github.com/Prinsphield/Wechat_AutoJump

https://github.com/Richard-An/Wechat_AutoJump

欢迎加入本站公开兴趣群
商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识
QQ群:81035754

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

 

GMT+8, 2019-02-24 15:06 , Processed in 0.121798 second(s), 24 queries .