عنوان پایان‌نامه

ارائه یک الگوریتم یادگیرنده برای تشخیص نواحی مورد علاقه در بازی های ابری



    دانشجو در تاریخ ۳۱ فروردین ۱۳۹۴ ، به راهنمایی ، پایان نامه با عنوان "ارائه یک الگوریتم یادگیرنده برای تشخیص نواحی مورد علاقه در بازی های ابری" را دفاع نموده است.


    رشته تحصیلی
    مهندسی فناوری اطلاعات
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2690;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 68843
    تاریخ دفاع
    ۳۱ فروردین ۱۳۹۴
    دانشجو
    سامان زادتوت آغاج
    استاد راهنما
    محمود رضا هاشمی
    چکیده
    لینک فایل چکیده
    در عصر حاضر، صنعت بازی به یکی از صعنت‏های پر سود تبدیل گشته است. ارائه بازی‏، توسط شرکت‏های بازی‏سازی با دشواری‏هایی نظیر بازار هدف و نسخه‏برداری غیرمجاز، همراه است. همچنین بازی بایستی جهت جذب حداکثری بازار در چند سکو ارائه شود که خود به چالشی دیگر منجر شده‏است. از سوی دیگر کاربران این بازی‏ها نیز ناچار به خرید سخت‏افزارهای بروز هستند. رویکرد استفاده از رایانش ابری در بازی‏ها جهت کاهش نیاز این دو گروه ذینفع و بهره‏ بردن از سود بالای صنعت بازی ارائه شده است. مفهوم این سرویس، در واقع به تصویر کشیدن بازی در ابر و ارسال آن در قالب ویدئو بر روی شبکه می‏باشد. سرویس ارائه بازی مبتنی بر رایانش ابری، با دو چالش اساسی مواجه است. اولا نیاز به پهنای باند مناسب برای ارسال وِیدئوی بازی دارد. دوم نیاز به حداقل تاخیر ممکن جهت انجام بازی تعاملی دارد. نیاز به پهنای باند زمانی جدی‏تر می‏شود که کیفیت‏های بالاتر از HD وارد بازار شده است. همچنین بازی‏های سه‏بعدی جایگزین بازی‏های قبلی شده‏اند. ارائه بازی به صورت HD توسط شرکت‏های ارائه کننده‏ی این سرویس نظیر Onlive با پهنای باند 3 تا 5 مگابیت انجام‏ شدنی است. در این رساله بدنبال روشی برای یافتن نواحی مورد علاقه در صحنه‏های بازی هستیم. از خروجی این مدل می‏توان برای تنظیم پارامترهای کدکننده استفاده کرد و نرخ بیت وِیدئوی بازی را با حفظ کیفیت تجربه‏ی کاربر ، کاهش داد. در نتیجه نیاز به پهنای باند در سرویس ارائه بازی مبتنی بر رایانش ابری کاهش می‏یابد. بنابراین از دیدگاه سرویس ارائه بازی مبتنی بر رایانش ابری، در این رساله بر روی چالش اول یعنی پهنای باند بازی تمرکز شده است.این واقعیت که کاربر به نواحی مختلف از یک صحنه‏ی بازی توجه یکسانی ندارد باعث می‏شود برخی نواحی بازی دارای اهمیت بیشتری نسبت به دیگر نواحی باشند. بنابراین ویدئوی بازی را با توجه به اهمیت نواحی کد خواهیم کرد. برای این کار روشی یادگیرنده جهت تعیین نواحی مهم بازی پیشنهاد شده است. ابتدا مدل توجه بصری GAM که در محتوای بازی ارائه شده بود را پیاده‏سازی کرده و با توجه به چالش‏های مدل GAM مدل پیشنهادی خود را با نام SVAM پیشنهاد دادیم. در این مدل به متفاوت بودن کاربران مختلف از لحاظ مهارت و متفاوت بودن الگوی کاربران در سطوح مختلف مهارت توجه شده است. روش SVAM روشی یادگیرنده است که از دو مرحله آموزش و آزمون تشکیل یافته است. در این روش نواحی مورد علاقه به صورت برون خط تعیین می‏شوند و به همین دلیل این روش سربار تاخیر ندارد. در آزمایشات اولیه‏ی مدل پیشنهادی، پارامترهای کدکننده‏ی H.264/AVC را در سطح ماکروبلاک، متناسب با میزان اهمیت نواحی تنظیم کردیم و نشان دادیم این روش، بطور متوسط تا 27% نرخ بیت ویدئوی بازی را بدون کاهش قابل ملاحظه‏ی کیفیت تجربه، کاهش می‏دهند. البته خطای تشخیص اشتباه مهارت کاربر می‏تواند باعث تغییر نگاشت نهایی کاربر در نتیجه کاهش کیفیت و یا کاهش فشردگی شود. واژه‌های کلیدی: مدل‏های توجه بصری ، مدل‏های درکی ، کدکردن وِیدئو، بازی‏های مبتنی بر رایانش ابری، ناحیه مورد علاقه
    Abstract
    The widespread availability of broadband internet access and the growth in server-based processing has provided an opportunity to run games away from the player into the cloud and offer a new promising service known as cloud gaming. The concept of cloud gaming is to render a game in the cloud and stream the resulting game scenes to the player as a video sequence over a broadband connection. In order to meet the stringent network bandwidth requirements of cloud gaming and support more players efficient bitrate reduction techniques are needed. In this thesis, we have proposed an Attention model for the concept of Game. There are very few game attention models in the literature. One of these models, referred to as GAM hereafter, uses a combination of bottom-up and top-down approaches to computationally predict salient regions of game frames from game player’s perspective. This model depends on game’s source code to detect object-level saliency. Our proposed model is independent of source code and focuses more on speed than accuracy. In this model, the saliency maps are calculated offline which makes it suitable for delay-sensitive application such as cloud gaming. First, we implemented and evaluated GAM. GAM is basically a game context based visual attention model, as a means for reducing the bit rate of the streaming video more efficiently. GAM estimates the importance of each macro-block in a game frame from the player’s perspective and allows encoding the less important macro-blocks with lower bit-rate. For evaluation, we have evaluated nine game video sequences, covering a wide range of game genre and a spectrum of scene content in terms of details, motion and brightness. Our subjective assessment shows that by integrating this model into the cloud gaming framework, it is possible to decrease the required bit rate by nearly 25 percent on average, while maintaining a relatively high user quality of experience. This clearly enables players with limited communication resources to benefit from cloud gaming with acceptable quality. After evaluating GAM, we found out that player’s attention pattern is related to his/her skill. Hence, we have proposed Skill Based Visual Attention model (SVAM) using an eye-tracking dataset. Our model has two phases, Offline and Online. The offline phases include 3 steps. The first step is to conduct an eye-tracking experiment and collect gaze data from a wide range of game players covering as many game situations as possible. The second step is to cluster the collected gaze data into several attention patterns. This step might require using complicated machine learning algorithms. The last step is to generate a saliency map for each attention cluster. The online phases include a step regarding to determine player’s cluster. Our analysis shows that incorporating the proposed model into an H.264/AVC encoder leads to reduce the required bit rate of cloud gaming by an average percentage of 33, 15 and 33 for beginner, intermediate and expert skill levels. We also show that the maximum possible amount of reduction depends on user’s playing skill. The results indicates that the proposed model has been able to generate more accurate maps compared to GAM by using player’s skill. Keywords: Cloud Gaming, Visual Attention Model, Bit Rate Reduction, Video encoding