- 1、本文档共29页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
MTSC_基于游戏的图像异常AI检测实践.pptx
基于游戏的图像异常AI检测实践
王君乐
腾讯互娱品质管理部Turing Lab图像团队负责人
自我介绍
2012年于法国南特大学获计算机博士学位后,留校任助理教授,从事计算机视觉、图像处理、视觉质量评价相关研究。
2014年离开大学创业,建立了一家专注于图像分类、目标检测的AI算法服务公司。
2018年,回国加入腾讯互娱品质管理部,现任Turing Lab研究员及图像算法团队负责人,探索图像、视觉等AI算法在品质管理领域的落地。
王君乐
腾讯互娱品质管理部Turing Lab
问题与挑战
初期实现:数据,算法与框架
优化与演进
从95%到100%:新的挑战与完整方案的探索
AI与测试提效的思考
分享要点
问题与挑战
游戏画面中的异常检测
异常画面与花屏检测
适配测试(每次top300适配测试图片总量可高达400万张)
目标
基于图像和视觉算法,判断游戏过程中是否出现异常
数据挑战
项目组没有完整保存历史异常图片样本
游戏上线前期,对应的异常样本数量少
画面多样性
类内差异大;类间差异小
Computer graphic image与 natural image 之间的巨大差异
计算资源限制
请求数量大,需要实时反馈
游戏画面中的异常检测
初期尝试
(2017年初)
尝试引入深度学习(2017-2018)
业务验证
(2018-2019)
初期实现:数据,算法与框架
数据
难点
原始数据缺失,样本不平衡
游戏图像特殊性
项目周期短
思路
人工生成训练所需异常样本
数据
基本类型案例
目标
算法生成结果
数据
不规则区域异常
目标
算法生成结果
数据
色彩相关异常
色偏,亮度,鲜艳、饱和度
基于正常游戏图片模拟异常
算法流程
难点
图形学图片和自然图片的巨大差异
游戏场景、特效差异大, 导致分类任务面临类内差大、类间差小的问题
思路
大而全通用方案的方向,如各种大型网络、复杂分类器
难任务拆解为大量小任务:
分游戏、分场景、分异常类型 -> 用小分类器解决复杂问题
算法流程
框架
任务队列
优化与演进
表达能力更强的CNN模型
针对全局性且不宜由规则表述的画面异常
加入针对性算法组
常见、具有通用性或表达形式较单一的异常类型
文字与UI异常检测
新方案
CNN模块
CNN模块
Base model :任一针对图像分类任务的CNN
移除最末端的全连接层及Softmax层
整个网络仅仅作为特征提取器使用
输入尺寸的修改:例如 224*224 -> 224*384
更好地适应手机屏幕的形状(16:9),避免由于改变aspect ratio对于最终分类结果的影响
Output: 对pooling层的修改
可看做使整个base model 在原图上做了一次1 * N的滑窗操作
Pre-training:
使用了基于ILSVRC-2012-CLS图像分类数据集上预训练好的权重。
快速色块检测
特殊颜色、联通区域检测
UI文字超框检测
针对性算法组
神经网络CNN+GRU(+Attention)
从95%到100%: 新的挑战和完整方案的实现
新的挑战
支持重点项目:对于检测精度有极高要求
背景
核心需求
人工
提效
思路
算法pipeline与人工审核的融合
专门辅助人工审核的算法
局部敏感的图像相似度检测
背景
场景一:纯人工检测的提效
跨设备图像显著差异检测
难点
需要对于局部异常敏感 -> 无法使用全局特征
Cross resolution, cross aspect ratio, cross layout 且画面无法完美同步
-> 无法基于像素进行比对。
注:生成gif时,为方便图片被resize至同样分辨率,图片实际分辨率差异比该gif图中呈现的更大
背景
场景二:“AI + 人工”进行流程提效
时间维度图像去重
难点:
相同场景下,帧之间可能存在大量非bug的局部差异 -> 无法对像素一一比对
例如:
色彩/亮度渐变
物体慢速移动
进度条
物体在小范围内的反复运动等。
我们的方案
线上效果
跨设备显著差异检测
待观测区域减少90%以上,画面异常0误删
时间维度图像去重
对局图片去重可达30%以上,画面异常0误删
最大的难点!
也是项目落地及业务团队关注的最关键点
整体方案对测试人员提效显著
2000 图片/人/小时 -> 6000图片/人/小时
已落地于个别重点游戏日常DevOps流程
自动游戏AI + WeTest 云真机
图像检测AI + 人工提效算法 + 审核人员
游戏对局总数:3000局以上
游戏时长:30000分钟以上
落地
AI与测试提效的思考
大部分AI的目的:代替人工 ?
现实:以80%的准确率解决80%的问题
落地的关键
80% -> 95%和95% -> 1
您可能关注的文档
- 如何获得智能终端应用的真实质量-MTSC 2019_1122.pptx
- 探索天空之城,寻觅质量轨迹v0.7_1122.pptx
- 移动端自动化测试的进化与落地——王建军_2019-11-26.pptx
- 移动端APP自动化兼容性测试的提效之路_aaronlai(赖勇辉)_1207.pptx
- 代码实时染色系统.pptx
- API测试在智能化测试时代的探索与实践 (1)_1208.pptx
- APP端侧数据智能化测试实践-稿3 - 复件_1208.pptx
- bilibili质量体系建设探索与实践V6_1120.pptx
- 广告系统大规模机器学习质量保障实践.pptx
- toB业务的工程效能提升探索_1122.pptx
文档评论(0)