lol轉移時間的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

基於遷移式學習之電競情緒識別於選手表現關聯度之研究

為了解決lol轉移時間的問題，作者林倧琦 這樣論述：

電競教練如果想知道選手在比賽過程中的狀況，往往只能透過賽後觀看選手的比賽影片找出失誤的關鍵時間點，這過程會花費許多的時間。選手的臉部情緒對於比賽的勝負與遊戲操作有著相當的關連性。因此，辨識選手的臉部情緒可以有效的掌握選手在比賽過程中的情緒，透過情緒的起伏知道選手比賽的狀況及提供建議與協助。臉部情緒辨識的相關研究中，目前最常使用的是卷積神經網路。因為在傳統的機器學習中需要透過人工設計特徵或尋找特徵，而在卷積神經網路則可以從影像中自動學習到紋理特徵，學習的過程中需要從大量的資料中進行學習。本論文透過建立電競臉部情緒資料集與使用Dense_FaceLiveNet之架構在建立電競臉部情緒辨識模型。使

用辨識模型分析取得比賽影片中選手出現的情緒與時間點，之後再建立電競影片自動摘要擷取模型取得選手比賽的正面與負面表現片段，給予教練檢討使用，最後完成電競訓練輔助系統。本論文所收集的電競臉部情緒資料集總共有1275張影像，之後使用提出的多層次的遷移學習在訓練模型上。首先從CK+、FER2013與學習情緒三個情緒辨識模型進行多種不同方式的遷移式學習，最後經實驗結果顯示在三次遷移學習中，資料集由小到大進行遷移同時考慮所要遷移的最後目標資料集類別與相近的資料集需擺放的越靠近，可發揮遷移式學習的最大效用準確率達到87.84%，在電競影片自動摘要擷取模型中透過情緒標記所取得的遊戲表現片段，結果顯示模型可以標

記到80%以上請教練標記的片段，教練尋找負面遊戲表現的時間有效節省74.7%，使教練可以快速針對選手失誤或表現不佳的原因提出改善與建議，提升電競選手在比賽上的操作技巧與提高獲勝機會。