导读:本文包含了草图识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:草图,神经网络,卷积,手绘,笔画,深度,语义。
草图识别论文文献综述
李鸿雁,苏庭波[1]（2019）在《基于贝叶斯网络和卷积神经网络的手绘草图识别方法》一文中研究指出为实现笔画的分组和识别,现有的草图识别算法通常会采用限制用户的绘图习惯来达到目的.该文提出了利用贝叶斯网络和卷积神经网络(CNN)的草图识别方法解决此问题.首先,使用高斯低通滤波器处理输入草图,得到更平滑的图像.然后将连续输入的笔划分为两部分,分别使用贝叶斯网络和卷积神经网络对分割后的笔画进行识别,当笔画的可靠性大于阈值时,以贝叶斯网络的识别结果为准,反之采用CNN的识别结果.实验结果表明,该文算法在电路符号绘制过程中的识别率和绘制完成后的识别率均取得了较好的结果.该文算法具有良好的应用前景.(本文来源于《西南师范大学学报(自然科学版)》期刊2019年09期）
印桂生,严雪,王宇华,张震[2]（2019）在《基于卷积神经网络的手绘草图识别》一文中研究指出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。(本文来源于《吉林大学学报(信息科学版)》期刊2019年04期）
赵鹏,冯晨成,韩莉,纪霞[3]（2019）在《融合深度学习和语义树的草图识别方法》一文中研究指出现有的草图识别框架利用整幅图像作为网络输入,草图识别过程可解释性较差.文中融合深度学习和语义树,提出草图语义网(Sketch-Semantic Net).首先对草图进行部件分割,将单幅完整的草图分割为多个具有语义概念的部件图.然后利用深度迁移学习识别草图部件.最后通过语义树的语义概念关联部件同部件所属草图对象类别,较好地弥补sketch图像从底层语义到高层语义之间的语义鸿沟.在广泛应用的草图分割数据集上的实验验证文中方法的有效性.(本文来源于《模式识别与人工智能》期刊2019年04期）
冯晨成[4]（2019）在《融合语义信息的草图识别方法研究》一文中研究指出随着手机、平板电脑、智能笔等诸多智能设备的出现,手绘草图更频繁的出现在公众的视线当中。手绘草图图像高度抽象且易于绘制,表达内容多样丰富,因此深受公众的喜爱。但是由于草图绘画者的绘画功底不一,草图的呈现形式也多种多样。对于同一个物品,不同的人绘画出来的草图也大相径庭,正因为如此,现有的已标注的草图数据集十分有限,尤其在某些特定的草图研究领域中。面对如此多样化表达的草图和如此匮乏的草图数据集,如何让计算机准确的理解手绘草图,以及如何高效的识别手绘草图成为一个日渐重要的研究问题。准确的草图理解,高效的草图识别方法对于日常生活中的人机交互以及各类衍生的草图应用等都至关重要。而草图本身结构简单,色彩单一,表现形式多样,这使得原始的草图与其高级语义之间存在着巨大的语义鸿沟。为弥补这两者间的语义差异,使得计算机能够较准确高效的理解识别草图,本文深入地分析了草图自身的构造特点,将语义信息融合到草图的识别中。草图的语义信息,实际上分为两大类,第一类,指的是草图标签语义,标签语义无论对于完整的草图而言,还是对于草图的部件图而言都是实实在在存在着的,它们的标签即是它们的高级语义;第二类,指的是草图形状语义,单幅完整的草图是由各个部件图构成的,相同的部件通常具有相似的形状,草图的形状语义组成了草图的高级语义。本文在对其他主流的特征提取以及识别方法的大量研究下,深层次地融合了草图的语义信息,提出了一种基于语义树的草图识别方法,以及融合稀疏编码和深度学习的草图特征表示方法,并验证了该特征表示方法在草图识别上的表现力。本文的主要工作以及创新点如下:1、基于草图部件的标签属性,本文提出一种基于语义树的草图识别方法。该方法针对现有的草图识别框架使用整幅图像作为网络的输入造成识别过程的不可解释性,提出一个新的网络模型(Sketch-Semantic Net)。该方法首先采用部件分割的方式,将单幅完整的草图分割为多个具有语义概念的部件图,然后,迁移自然图像中训练的卷积神经网络对所有的部件图进行识别,最后通过语义树中的语义概念将部件图同部件所属对象相关联,有效的弥补了草图图像从低层语义到高层语义之间的语义鸿沟。该方法的主要创新点在于:1)使用草图具有明确语义信息的部件图来帮助草图图像的识别,将深度学习与语义树相融合;2)在融合策略中,采用了基于上下文的语义融合策略,有效的缓解了语义的二义性对融合产生的影响。在主流的草图分割数据集(Sketch_Dataset)下,实验结果证明了本方法的有效性。2、基于草图部件的形状语义,本文提出了一种融合深度学习与稀疏编码的草图特征表示方法。针对目前草图理解中草图特征表示的能力较低下,且在某些特定领域中,小规模的数据集下传统的草图特征表示方法效果受到影响,本文提出了一个新的草图特征学习算法(Sketch-Representation Algorithm,SRA)。该算法首先对草图进行语义分割,然后迁移深度学习方法,分别提取草图特征和草图部件特征,之后将部件特征降维聚类,获取聚类中心,最后利用部件的聚类中心向量初始化稀疏编码中的字典,交替迭代求解以获得最终的草图特征表示。不同于以往的草图特征表示方法,本方法通过迁移深度卷积神经网络来获得草图部件特征,并将该部件特征引入到稀疏编码中,作为字典的初始基向量。将草图的形状语义信息融入到稀疏编码中,在提升草图特征表示性能的同时,使得稀疏表示具有更好的可解释性。该草图特征表示方法在草图识别中取得了可观的效果,实验结果证明了本算法的有效性。(本文来源于《安徽大学》期刊2019-03-01）
严雪[5]（2019）在《基于卷积神经网络的手绘草图识别方法研究》一文中研究指出手绘草图从远古以来一直作为人们一种常用的沟通交流方式存在,近几年更是随着电子设备及触摸屏的发展而引起人们的广泛关注,也引起了关于手绘草图的一系列研究,例如手绘草图识别,手绘草图检索和基于手绘草图的3D模型检索等。其中手绘草图识别是目前很多学者研究的重点,也是本领域的基础。手绘草图的识别具有一定的难度,这主要是因为手绘草图与传统的自然图像相比有很多独特的特征,这些特征使得其识别起来比自然图像更有挑战。例如,手绘草图都是由非专业人士绘制,每个人都有自己的绘画特点和风格,这使得手绘草图具有高抽象性和夸张性。另外,手绘草图都是由黑色线条勾勒产生,没有相应的颜色和纹理信息,这也使得神经网络在进行特征学习时学习不到相应的特征而使图像识别更加艰难,影响识别准确率。虽然手绘草图有很多自身特点影响了其识别准确率,但它却有自己的优势,比如每个手绘草图都含有笔画顺序信息,且目前的数据集已将这种信息包含在内,更便于我们利用这种特征来提高手绘草图的识别准确率。在深度学习图像识别任务中,构建一个识别率高的网络除了需要一个好的网络结构之外,还需要使用大量的数据来进行网络训练,而现存的很多数据集数据规模较小,不能满足训练网络时对大量数据的要求,且当训练数据集过小的时候,网络很容易产生过拟合,影响网络的性能。现存有很多的数据增强技术,比如基本的翻转、旋转、随机切割、加噪等,可以通过这些增强技术增加训练集,提高训练模型的泛化能力。除此之外,针对特殊的数据集和图像,我们可以采用特殊的数据增强技术来扩充原数据集。在使用卷积神经网络进行图像处理时,最大的问题是训练一个网络的时间代价太高,即训练一个完整的性能较好的网络通常要花费几天甚至几个月的时间,这对于现实应用来说是一个很大的性能瓶颈。同样在我们的手绘图像识别中,训练一个性能较好的网络也需要很长的时间。随着大量高速计算硬件的出现和高性能计算领域的发展,我们可以根据CNN天然的并行性尝试将并行计算应用到CNN训练中。常见的并行技术有OpenMP、MPI、CUDA等,它们为并行计算提供了接口和平台,是目前使用最多的并行计算模型。本文针对手绘草图的特征提出了一种专门为手绘草图识别而设计的网络结构DCSN,DCSN网络是在AlexNet网络基础上进行改进,如首层采用了更大的卷积核来获取草图的结构信息,首层采用更小的步长来尽可能多的保留特征信息,通过增加网络层数加深网络深度等,这些改进有效的提高了手绘草图的识别准确率。为了解决网络的过拟合问题,进一步提高识别准确率,本文提出了两种数据增强策略,即小图形缩减策略和尾部移除策略。在进行卷积神经网络的训练过程中,我们发现网络的训练速度较慢,训练一个网络花费的时间较长,为了减少网络的训练时间,本文使用一种并行训练卷积神经网络的方法来完成DCSN网络的训练,该方法使用OpenMP和MPI混合编程模型,充分利用了OpenMP的节点内共享内存和MPI节点间数据通信的优势,完成节点间和节点内的两级并行,有效缩短了卷积神经网络训练的时间。(本文来源于《哈尔滨工程大学》期刊2019-01-01）
于美玉,吴昊,郭晓燕,贾棋,郭禾[6]（2018）在《基于时序特征的草图识别方法》一文中研究指出草图识别是一项很具有挑战性的工作。目前,大部分草图识别的工作都将草图当作普通的纹理图像,忽视了草图的时序性。因此,文中通过挖掘草图的时序性,将草图笔画按照时间分组。为进一步利用时序特征在草图识别过程中的作用,使用了循环神经网络将笔画分组按照时间序列作为输入,最后使用联合贝叶斯将各个时序下获得的草图特征进行整合,完成草图的识别工作。在公开标准数据集上对所提算法进行了测试,实验结果显示该算法的识别准确率明显高于其他算法。(本文来源于《计算机科学》期刊2018年S2期）
刘杨[7]（2018）在《深度学习在手绘草图识别中的应用研究》一文中研究指出随着互联网信息技术以及多媒体应用技术等的快速发展和进步,互联网当中图像的数目始终都在以令人惊叹的速度增长,这其中既包括生活中常见的实物图像,也包括许多手工描绘的手绘草图图像。另外,随着智能手机和笔记本电脑的发展和升级,图像的分辨率变得越来越高,因而存储图像内容所需要的空间也随之变得越来越大。面对这样众多的图像数据,单靠人为标注图像的语义内容已几乎成为不可能。因此,采用怎样的方法来实现海量图像的高效标注和识别已经是图像领域目前研究的一个重点内容。近些年,手绘草图的识别任务正在逐步地获得更多相关领域研究学者的兴趣和关注,并且也逐渐在图像领域研究范围内占据着举足轻重的地位。一方面是因为便携式触摸设备的快速普及,手绘草图的获取变得更加容易和方便;另一方面是因为手绘草图所传达的信息更容易被理解,有时用简单的几个笔画就可以表达出那些用文本难以描述的语义信息。然而手绘草图的识别工作仍然是一项充满着困难和挑战的任务,其原因可归结如下:(1)手绘草图本身具有两条不利于识别的属性,一是高度抽象,二是符号化;(2)由于每个人的绘画水平和能力的差异,导致同一类别的对象可能在外形和抽象度上相去甚远;(3)手绘草图中缺乏视觉线索,不存在颜色和纹理信息。早先的手绘草图识别基本遵循传统的图像识别方法,即从手绘草图中提取手工特征,再将该特征送入分类器中分类。一些常用的手工特征包括方向梯度直方图(histogram of oriented gradient,HOG)特征,尺度不变特征变换(scale-invariant feature transform,SIFT)以及形状上下文特征等。但这些手工特征主要为自然图像而设计,并不完全适用于具有抽象性和稀疏性的手绘草图。近些年,深度学习正在经历着日新月异的变化,各种各样经典的深度学习模型孕育而生。它们在图像理解、语音识别等方向的研究中,都有着非常亮眼的表现。但是这些经典的深度学习模型主要是针对颜色信息和纹理信息都十分丰富的自然图像而设计,然而手绘草图当中恰巧缺乏诸如颜色和纹理等的视觉线索,因此它们并不适用于手绘草图的识别。目前,也有一些研究学者提出了适用于草图识别的深度学习模型,这些模型根据手绘草图特有的结构特征和性质进行设计,可以获得良好的手绘草图识别效果。但是这些模型却忽略了手绘草图中笔画的顺序这一特殊信息。深度学习方法一般要依赖数目众多的训练数据来抑制过拟合的影响,以获得良好的识别性能。然而目前最大的公共手绘草图数据集也仅仅只有两万幅草图图像,训练数据的缺乏对于模型的训练会造成很大的负面影响。引用迁移学习内容的思想,这个问题能够迎刃而解。迁移学习允许训练数据和测试数据的数据分布满足不同的分布规律,它能够有效地从源域和目标域中发现公共的结构和特征,从而可以从已有的数据中迁移许多知识,用来快速地建立起另一个新领域的知识和模型。目前而言,迁移学习的提出具有划时代的意义,它是一种非常重要且有用的学习方法,得到了极其广泛的研究与应用。本文深入地研究了深度学习方法在手绘草图识别中的应用,并在大量研究学者的理论基础之上,提出了两个深度学习模型。本文的主要工作和创新点列举如下:1.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草图的图像特征,而忽略了草图中笔画的顺序信息的问题,本章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。该方法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。2.针对目前公共手绘草图数据集训练数据缺乏的问题,本章将深度迁移学习以及多粒度的草图信息引入到手绘草图识别中。迁移学习一方面可以打破手绘草图训练数据缺乏的限制,另一方面可以大幅度地降低模型训练的时间复杂度。不同粒度的草图蕴含了不同级别的语义信息和内容,并且在手绘草图识别应用中起到不同的作用。本章还提出了一个新的权值微调策略,该策略包括两轮权值的微调,并且采用不同的数据量来保证模型的有效性,同时还根据草图的粒度级别来调整不同数量网络层的参数。在TU-Berlin手绘草图数据集上的实验结果表明本章提出的模型可以有效地提升手绘草图的识别准确率。(本文来源于《安徽大学》期刊2018-04-01）
赵鹏,刘杨,刘慧婷,姚晟[8]（2018）在《基于深度卷积-递归神经网络的手绘草图识别方法》一文中研究指出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.(本文来源于《计算机辅助设计与图形学学报》期刊2018年02期）
佘鹏,甘健侯,文斌,周菊香[9]（2018）在《经典深度卷积神经网络模型在手绘草图识别中的应用研究》一文中研究指出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.(本文来源于《云南师范大学学报(自然科学版)》期刊2018年01期）
王团飞[10]（2017）在《手绘草图的在线识别技术研究》一文中研究指出手绘草图的识别是人机交互领域一个重要课题,它允许设计师在产品的概念设计阶段像纸笔交互那样自由表达设计思路,实现了人机交互的高效性和自然性。本文针对目前现有的基于图元的识别方法在单笔画草图的特征点提取方面仍在的识别率问题,提出了一种基于几何特征和参数化曲线拟合的草图识别算法。本文以笔式交互输入的草图为研究对象,在采集笔画数据后,针对采样误差、抖动等噪声,运用聚点剔除、端点闭合误差消除、重采样等技术进行预处理;根据草图的几何特征和在线识别流程,针对构成图形的基本图元,运用最小二乘法和二次曲线的不变量理论进行拟合和识别;笔画分割中,将特征点按照其在几何图形中位置关系分为局部转角变化剧烈的角点和图元平缓过渡的切点,对于角点,选择离散曲率极大值作为提取依据,为提高角点的识别率,运用角点间的角度和距离关系去伪角点;对于切点,分析包含切点的子笔画附近的几何特征,运用向量外积和分段叁次多项式拟合的方法作为提取依据;图形识别中,分析图形中图元间的空间几何位置关系,提取代表图形的特征向量,构造分类器,运用句法模式识别方法进行图形的识别,之后对图形进行规整输出。通过对本文提出的识别算法进行实验验证,结果表明该算法能够较好的对手绘草图进行笔画分割和图形识别。(本文来源于《大连理工大学》期刊2017-05-01）
草图识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
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。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
草图识别论文参考文献
[1].李鸿雁,苏庭波.基于贝叶斯网络和卷积神经网络的手绘草图识别方法[J].西南师范大学学报(自然科学版).2019
[2].印桂生,严雪,王宇华,张震.基于卷积神经网络的手绘草图识别[J].吉林大学学报(信息科学版).2019
[3].赵鹏,冯晨成,韩莉,纪霞.融合深度学习和语义树的草图识别方法[J].模式识别与人工智能.2019
[4].冯晨成.融合语义信息的草图识别方法研究[D].安徽大学.2019
[5].严雪.基于卷积神经网络的手绘草图识别方法研究[D].哈尔滨工程大学.2019
[6].于美玉,吴昊,郭晓燕,贾棋,郭禾.基于时序特征的草图识别方法[J].计算机科学.2018
[7].刘杨.深度学习在手绘草图识别中的应用研究[D].安徽大学.2018
[8].赵鹏,刘杨,刘慧婷,姚晟.基于深度卷积-递归神经网络的手绘草图识别方法[J].计算机辅助设计与图形学学报.2018
[9].佘鹏,甘健侯,文斌,周菊香.经典深度卷积神经网络模型在手绘草图识别中的应用研究[J].云南师范大学学报(自然科学版).2018
[10].王团飞.手绘草图的在线识别技术研究[D].大连理工大学.2017
论文知识图
