Sports10

我们提供了一个新的数据集，包含100,000张游戏图像，涵盖175款视频游戏，跨越10个体育类别。这些游戏还分为三种视觉风格类别：复古（街机风格，1990年代及更早）、现代（大约2000年代）和照片写实（大约2010年代后期）。

We present a novel dataset consisting of 100,000 video game images spanning 175 game titles across 10 sports categories. The included games are categorized into three visual styles: Retro (arcade-style, 1990s and earlier), Modern (circa 2000s), and Photorealistic (late 2010s).

原始信息汇总

Sports10 数据集

概述

• 数据集名称: Sports10
• 数据量: 包含100,000张游戏画面图像
• 游戏数量: 涵盖175款视频游戏
• 体育类别: 跨越10种体育类型
• 视觉风格分类: 分为RETRO（街机风格，1990年代及以前）、MODERN（大约2000年代）和PHOTOREAL（大约2010年代后期）三种视觉风格

下载

• 数据集大小: 约10GB
• 下载链接: Google Drive
• 元数据: 包含完整游戏列表的元数据文件 Google Drive

使用

• 数据集目录: 下载后解压至项目中的datasets目录
• 训练模型:
  • 普通监督学习: 使用train_fulsup.py脚本
  • 监督对比学习: 使用train_supcon.py脚本

预训练模型

• 下载链接: Google Drive
• 加载方式: 使用tensorflow.keras.models.load_model($MODEL_FILENAME.h5)加载模型

引用

@inproceedings{trivedi2021contrastive, title={Contrastive Learning of Generalized Game Representations}, author={Trivedi, Chintan and Liapis, Antonios and Yannakakis, Georgios N}, booktitle={2021 IEEE Conference on Games (CoG)}, year={2021}, organization={IEEE} }

搜集汇总

数据集介绍

构建方式

在构建Sports10数据集时，研究者们精心收集了来自175款视频游戏的100,000张游戏画面，这些游戏涵盖了10种不同的体育类型。数据集进一步细分为三种视觉风格：复古（RETRO）、现代（MODERN）和照片写实（PHOTOREAL），分别代表了不同年代的游戏视觉特征。通过这种方式，数据集不仅提供了丰富的视觉多样性，还为研究者提供了跨时代和跨风格的对比分析机会。

特点

Sports10数据集的显著特点在于其广泛的游戏覆盖面和细致的视觉风格分类。这使得该数据集在图像分类和表示学习任务中具有极高的应用价值。此外，数据集的构建考虑了不同年代的游戏视觉特征，为研究者提供了探索游戏视觉演变的独特视角。这种多样性和细致性使得Sports10成为研究游戏表示学习和图像分类的理想数据集。

使用方法

使用Sports10数据集时，用户首先需要从Google Drive下载完整的数据集（约10GB），并将其解压至项目的datasets目录。随后，用户可以通过运行提供的Python脚本进行模型训练，例如使用ResNet50编码器进行监督学习和监督对比学习。此外，用户还可以选择下载预训练模型，并使用TensorFlow的load_model函数加载模型，以便进行进一步的微调或下游任务，如强化学习或生成对抗网络。

背景与挑战

背景概述

Sports10数据集由Chintan Trivedi、Antonios Liapis和Georgios Yannakakis于2021年创建，作为IEEE CoG 2021会议论文《Contrastive Learning of Generalized Game Representations》的一部分。该数据集包含100,000张游戏图像，涵盖175款视频游戏，跨越10个体育类别，并分为RETRO、MODERN和PHOTOREAL三种视觉风格。Sports10的推出旨在推动游戏图像分类和表示学习领域的发展，通过提供多样化的视觉数据，帮助研究人员开发更强大的机器学习模型。

当前挑战

Sports10数据集在构建过程中面临多重挑战。首先，收集和分类大量游戏图像需要精确的图像识别技术和大量的计算资源。其次，不同视觉风格的游戏图像在特征提取和分类上存在显著差异，这增加了模型训练的复杂性。此外，数据集的多样性和规模要求高效的存储和处理解决方案，以确保数据的可访问性和实用性。这些挑战不仅影响了数据集的构建，也对后续的模型训练和应用提出了高要求。

常用场景

经典使用场景

在体育视频游戏领域，Sports10数据集被广泛用于图像分类和表示学习的研究。该数据集包含了100,000张游戏截图，涵盖175款不同风格的体育游戏，分为RETRO、MODERN和PHOTOREAL三个视觉类别。研究者利用这些图像进行深度学习模型的训练，特别是通过对比学习方法，提取游戏图像中的通用表示，从而提升分类和识别的准确性。

实际应用

在实际应用中，Sports10数据集被用于开发和优化体育视频游戏的图像识别系统。例如，游戏开发者可以利用该数据集训练模型，自动识别和分类游戏中的不同场景和动作，从而提升游戏的智能化水平。此外，该数据集还可用于训练虚拟现实和增强现实系统，以实现更逼真的游戏体验。

衍生相关工作

基于Sports10数据集，研究者们开展了一系列相关工作，包括改进对比学习算法在游戏图像分类中的应用，以及探索不同视觉风格对模型性能的影响。此外，该数据集还激发了对游戏图像特征提取和表示学习的新研究方向，推动了体育视频游戏领域的技术进步和创新。