検索
ニュース

「Splatoon 2」をディープラーニングで攻略してみなイカ? 2018(後編)(2/3 ページ)

「ガチエリアは『塗り』と『キル』どちらが重要なのか」「編成事故は存在するのか」など、人気ゲーム「Splatoon 2」のファンの間で感覚的にいわれていることをデータサイエンティストが検証。

Share
Tweet
LINE
Hatena

 そこで、ここまで用いたプレイヤーリザルト(戦績)のデータではなく「ステージのインク塗り結果」のキャプチャー画像を用いて、Deep Learningで勝敗を予測し、さらにそこから重要な塗りポイントを特定してみます。

photo
ステージのインク塗り結果

 上記のような画像をDeep Learningで解析していきますが、実際の処理としてDeep Learningは、データ量が少ないと高い精度を出せないため、元画像を拡大縮小、回転するなどしてバリエーションを増やし、解析する画像の枚数を水増ししました。

photo
元画像を回転するなどしてバリエーションを増やし、解析する画像の枚数を水増し

 このようにして、Deep Learningで各ルール80%以上の精度で勝敗を予測するモデルを作成しました(試合数が少ないステージはモデル対象外)。しかしこのままでは、なぜ精度がよいのか、Deep Learningが「画像中のどこを見て判断しているのか」分かりません。

 そこで「Grad-CAM」という手法を用います。Grad-CAMとは、Deep Learningの予測において、ある画像箇所にわずかな変化を加えたときの、確率スコアの変化の大きさによって、各判定結果の確率スコアへの影響が大きい画像箇所を特定する、という手法です。

photo
「Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization, 2017」より引用(参考:https://arxiv.org/abs/1610.02391 https://github.com/jacobgil/keras-cam)

 先ほど学習済みのDeep Learningのモデルから、Grad-CAMの画像を作成してみると、勝利判定で特に重要視された場所はどこなのか、ヒートマップを使って可視化することができます。

 例えば「バッテラストリート」というステージでの解析結果は下記となりました。モデルは、2018年4月〜10月中旬までのデータから学習しているのですが、せっかくですので11月7日のアップデートで若干修正が入った後のステージの塗り結果画像にそのモデルを用いてみます。

 バッテラストリートは、結果画像からエリア全体が見えない、という前提を踏まえて、Deep Learningが「どこに注目して勝率を予測しているか」を見てみます。もちろんエリアの一部は見ているものの、エリアの手前と奥、橋の上、そして前後をどちらが抑えたか――あたりがハイライトされているようです。また、エリア右下の自陣手前奥もハイライトされていることから、敵の“裏取り”ルートの塗り状況にも注目していそうなことが分かります。

photo

 以上の結果を打開、防衛の作戦に生かせば、勝率アップにつながるかもしれません。

Copyright © ITmedia, Inc. All Rights Reserved.

ページトップに戻る