摘要：现有的手绘草图识别方法严重依赖于费时费力的手工特征提取,而经典的深度学习模型主要是为彩色多纹理自然图像设计,用于识别手绘草图时效果不甚理想。提出一种基于深度学习的手绘草图识别方法(DeepSketch),该算法根据手绘草图缺失颜色、纹理信息的特点,使用大尺寸的首层卷积核取代自然图像识别中常使用的小尺寸首层卷积核,获得更多的空间结构信息。利用训练浅层模型获得的模型参数来初始化深层模型对应层的模型参数,以加快收敛,减少训练时长。加入不改变特征大小的卷积层来加深网络深度等方法以减小错误率。实验结果表明,所提出的方法较之其它几种主流的手绘草图识别方法具有良好的正确率,对250类手绘草图识别正确率达到69.2%。

摘要：针对现有基于深度学习的手绘草图识别方法直接从整体上提取手绘草图的图像特征,而忽略了草图中笔画的顺序信息的问题,利用手绘草图的笔画顺序信息,将深度卷积神经网络与递归神经网络相结合,提出一种基于深度卷积-递归神经网络的手绘草图识别方法.首先按照绘画草图时的笔画顺序提取笔画,生成多幅子笔画草图,并形成一个笔画数依次递增的子笔画草图序列;然后采用深度卷积神经网络依次提取该序列中每一幅子笔画草图的图像特征,并将提取的图像特征按照原先子笔画草图排列的顺序进行排序,作为递归神经网络的输入;最后利用递归神经网络来构建不同图像特征间的时序关系,以提高手绘草图的识别准确率.在现有最大的手绘草图数据集TU-Berlin Sketch数据集上的实验结果表明,文中方法能有效地提升手绘草图的识别准确率.

摘要：通过设计多组实验策略,在TU-Berlin手绘草图数据集中,对AlexNet、GoogLeNet、VggNet和ResNet四种经典深度卷积神经网络结构进行手绘草图识别对比实验,结果表明相比其他网络结构,ResNet在手绘草图识别任务上具有更好的性能.

摘要：针对目前手绘草图识别难度大,识别准确率低且主要以手工提取特征为主,提出一种新的卷积神经网络结构DCSN(Deeper-CNN-Sketch-Net)进行手绘图像识别。DCSN模型是根据手绘草图的特点进行设计,如在首层采用了更大的卷积核获取草图的结构信息和更小的步长尽可能多保留特征信息,通过增加网络层数加深网络深度等。为进一步提高识别准确率,针对手绘草图的特点提出了两种新的数据增强方法,小图形缩减策略和尾部移除策略增加数据集的多样性,并利用扩充的数据集训练DCSN网络。经实验验证,所提出的模型在目前最大的手绘图像数据集上可以取得70. 5%的识别准确率,超过了目前存在的几种主流的手绘草图识别方法。

摘要：针对传统的智能手绘草图识别系统无法精准、稳定地识别手绘草图的问题,文中设计一种基于小波矩的智能手绘草图识别系统。利用草图界面模块的手势书写界面输入草图作为操作指令,通过草图控制模块的预处理子模块预处理草图笔划,完成笔划的分割并将其传输至草图识别子模块;通过基本图元识别器和组合图元识别器实现草图图形识别,基于小波矩采集草图特征,计算样本草图和草图库中草图小波矩特征值的欧氏距离,依据欧氏距离排列草图,完成草图内容识别;操作控制子模块和手势命令识别子模块负责草图的控制和操作指令判别,并将系统运行过程中产生的数据存储于草图数据模块。实验结果表明,所提系统能有效识别草图的内容,识别的结果不受草图位置尺度变换和旋转的影响,可实现手绘草图的精准、稳定识别。