导读:本文包含了手绘草图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,手绘,卷积,神经网络,图像,特征,建模。
手绘草图论文文献综述
于邓,刘玉杰,邢敏敏,李宗民,李华[1]（2019）在《包含跨域建模和深度融合网络的手绘草图检索》一文中研究指出在手绘草图检索(sketch-based image retrieval,简称SBIR)领域,引入一种手绘草图的新型检索模型.手绘草图与自然图片之间存在巨大的差异性,这是因为,与自然图片相比,手绘草图展现出高度抽象的视觉表达,用现有的方法对手绘草图进行特征提取,其产生的特征描述子对于手绘草图的内容无法进行有效地拟合;对于相同的物体,不同的人群用手绘草图描述方式和表达也存在巨大的差距,这就使得手绘草图-自然图片的匹配更加困难;同时,将手绘草图与自然图片映射到相同视觉域的工作,也是一项具有困难的任务.所以,手绘草图检索技术是公认的比较有挑战性的任务.提出一种将手绘草图与自然图片在多个层次上映射到同一视觉域的策略来解决跨域的问题.同时,引入多层深度融合卷积神经网络(multi-layer deep fusion convolutional neural network)的框架来训练并获得手绘草图和自然彩色图片的多层特征表达.在Flickr15k图像数据库进行检索实验,实验结果显示,多层深度融合卷积网络学习到的特征的检索精度超过了现有的手工特征以及由自然图片或者手绘草图训练出来的卷积神经网络(convolutional neural network,简称CNN)的特征.(本文来源于《软件学报》期刊2019年11期）
李鸿雁,苏庭波[2]（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）
吴传彬,刘骊,付晓东,刘利军,黄青松[3]（2019）在《结合显着区域检测和手绘草图的服装图像检索》一文中研究指出针对服装图像检索准确率和效率较低的问题,提出一种服装显着区域检测和手绘草图的服装图像检索方法。首先采用正则化随机漫步算法对输入的服装图像库进行视觉显着区域检测,并结合其边缘轮廓信息,得到服装显着边缘图像;其次,对输入的服装草图和服装边缘图像进行特征提取,得到服装草图和服装边缘图像各自的方向梯度直方图(HOG)特征;然后,通过计算服装草图特征和服装边缘特征的相似度,实现特征匹配;最后,按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于距离相关系数的重排序算法对其相似度进行排序并输出检索结果。结果表明,该方法提高了服装检索的准确率,具有较好的鲁棒性,检索准确率可达78. 5%。(本文来源于《纺织学报》期刊2019年07期）
印桂生,严雪,王宇华,张震[4]（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）
郑影[5]（2019）在《面向手绘草图的语义理解研究》一文中研究指出作为一种常见的表达方式,手绘草图在人类生活中发挥着十分重要的作用,可以方便地用于描绘物体、勾勒故事情节、设计建筑等。手绘草图所具有的抽象表现力和灵活性使其能够很好地与图像检索、场景生成等实际应用相结合,导致对于手绘草图的处理和理解的实际需求日益增加。但是,当前图像理解领域的工作主要针对的是真实图像数据,而面向手绘草图的研究相对较少。相比于真实图像,手绘草图仅包含若干简要线条,没有颜色和纹理等信息,且数据十分匮乏。此外,由于人类个体绘画技巧等主观因素的影响,手绘草图在形象程度、外观和细节等方面都表现出了非常大的差异,这使得面向手绘草图的语义理解成为一个极具挑战性的任务。如何将计算机自动化技术与手绘草图结合起来,实现对手绘草图数据的深层理解和高效挖掘,以提高创作者或设计人员的工作效率,满足用户多样化的应用需求,是一个非常有价值和具有挑战性的研究课题。手绘草图的语义理解研究主要面临着两方面的挑战:一是底层特征与高层语义及真实图像和手绘草图之间存在的语义鸿沟,二是手绘草图数据匮乏及类内差异过大。此外,现有方法还未充分考虑手绘草图的表达能力与视频语义理解的关联性。针对手绘草图语义理解中存在的上述挑战和问题,本文从手绘草图的数据特性出发,采用语义驱动的方式从多个层次来探索和研究手绘草图的语义理解理论与方法。具体地,本文的研究内容和主要贡献包括以下四个方面:首先,提出了一种弱监督的有判别力图像块挖掘方法,旨在通过块级的中层表示来减小底层特征与高层语义之间的语义鸿沟。为了找到不同的草图类别中最具有判别力的图像块,首先通过K-means算法在随机采样的大量图像块上进行初始聚类,并设计了一个迭代搜索的算法来更新聚类内的相近图像块。此外,还提出了一种聚类融合的策略及判别力排序算法以得到更好的有判别力图像块的挖掘结果。在TU-Berlin数据集上的实验结果证明了所提出的有判别力图像块挖掘方法的有效性,并在手绘草图识别任务上表现出了一定的实用价值。其次,针对手绘草图的部件级语义解析,提出了一种基于CNN的手绘草图语义解析框架,包括叁方面的贡献:1)提出了一种同质转换方法来解决跨域适应的问题。真实图像与手绘草图的跨域适应是手绘草图的部件级语义解析中不可避免的一个问题,与现有方法利用真实图像的边缘图来近似手绘草图的方式不同,所提出的同质转换方法旨在通过将两个不同域的数据转换到一个同质空间中来缩小二者的语义鸿沟。2)设计了一种软加权损失函数来为网络训练提供更好的指导。相比于标准的交叉熵损失函数,所提出的软加权损失函数能够更好地处理模糊标签边界和类间数据不均衡的问题。3)提出了一种阶段学习的策略来改进模型的解析性能。这种策略不仅考虑到不同草图类别的数据特性,而且能够充分利用类间的共享信息。在公共的SketchParse数据集上的实验结果表明,所提出的手绘草图部件级语义解析模型取得了当前最优的性能。再次,针对手绘草图的目标级语义理解,提出了一种面向手绘草图的特定数据增强方法,旨在从数据规模和质量上来提高语义理解的能力。在数据规模方面,提出了一种基于Bezier控制点的形变方法来生成大量新的手绘草图。可以直接应用在原始的手绘草图上,而不需要关于草图线条的时间序列信息。由于不受限于具体的草图数据类型,因而能在更广泛的应用中发挥作用。为了改进手绘草图的质量,提出了一种基于平均线条重构的方法来生成新的形式的草图数据。通过在训练集上计算得到的平均线条来重构原始的手绘草图,能够有效地减小草图间的类内差异。不需要大量的真实图像数据,也不依赖于任何的额外数据信息,因此在训练时的计算复杂度较低且减轻了数据采集的成本。在TU-Berlin和Sketchy-R数据集上的实验结果证明了所提出的方法的实用价值。最后,将手绘草图的抽象特性引入到视频动作理解中,提出了一种动作草图时空表达法,旨在实现视频语义匹配中有代表性的人类动作识别任务。通过分析动作视频中草图需要满足的特性,建立了一个自动挖掘最有判别力的动作草图的系统。对于包含有人类动作的视频,可以实时生成对应于每个片段的动作草图。接着,提出了一种动作草图的判别力排序算法,最有判别力的草图能够很好地代表它们所属的动作类别。基于这些最有判别力的动作草图,应用多种草图池化的方法来生成一种新的动作表示。最后,这种新的动作表示将会与基于局部特征的表示如改进密集轨迹方法相结合以提高动作识别的性能。通过上述研究,本文对手绘草图语义理解的不同层次进行了深入的探索,为其中存在的关键问题提供了切实有效的解决方案。结果表明:语义鸿沟的问题在手绘草图的语义理解中普遍存在,依据块级、部件级、目标级和时空目标级这四个层次建立的语义理解模型能够有效地建立手绘草图的抽象语义与视觉媒体之间的关联,同时很好地解决手绘草图相关的识别、解析、检索及视频动作识别等实际的应用问题。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
徐鹏[6]（2019）在《基于手绘草图的视觉检索问题研究》一文中研究指出本文重点研究基于手绘草图的视觉检索问题,主要包括大规模手绘草图的快速检索、基于手绘草图的细粒度图像检索、基于手绘草图的细粒度视频检索等问题。本文所完成的主要研究工作及取得的创新性成果可被概括为以下叁个方面:首先,本文的第叁章定义了一个新颖的研究问题,即大规模手绘草图的快速检索,以百万级数据规模的手绘草图作为数据床,探究且验证了若干大规模手绘草图所特有的数据特点,并针对性地提出了一个基于深度神经网络的哈希模型。该模型的创新之处主要在于:(1)通过卷积神经网络与双向循环神经网络并联的网络架构对手绘草图进行特征学习与表示,卷积神经网络学习手绘的几何视觉特征,双向循环神经网络学习手绘的笔画时序逻辑,通过双分支网络的并联融合实现了互补特征之间的融合与提升。(2)新颖的损失函数在引导网络训练的过程中,可以降低噪声样本对模型的影响,确保学习到的特征空间具有较好的内聚性,有效地缓解了大规模手绘草图固有的数据抽象性与噪声性问题。第叁章所提出的双分支并联架构,也可以被推广到大规模手绘草图的识别任务中,并且取得了较好的实验结果。第叁章还定义了另一个新颖的研究问题:即大规模手绘草图的零样本学习,并且为解决此问题提出了一个基于深度神经网络的嵌入模型,采用基于边缘图的语义信息进行数据域对齐,取得了较好的实验结果。为了获得高质量的基于边缘图的语义信息,本文作者采集了且将发布一个大规模的边缘图数据集,包括345个物体类别的290281张边缘图。其次,本文的第四章探究了面向手绘草图检索的跨模态子空间建模方式,介绍了多种经典的且已成功应用于图像与文本跨模态匹配的子空间学习方法,将这些方法应用于手绘草图与实物照片间的相互检索中,并给出详细的实验结果与分析。通过系统的对比实验,充分挖掘了手绘草图与实物照片在跨模态建模过程中所需要考虑的关键要素。同时,也充分验证了跨模态子空间学习方法在手绘草图与实物照片间的跨模态匹配问题中的应用可行性。本文的第五章定义了一个颇具挑战性的问题:基于手绘草图的实例级别视频检索,即给定由单张或多张手绘草图构成的序列作为查询样例,检索对应的视频实例。在此任务场景中,手绘草图中同时要包含细粒度的视觉外观信息和细粒度的运动信息,以带有箭头的直线、曲线、圆圈等来表示细粒度的运动轨迹。为研究此问题,本文作者采集了并将发布首个基于手绘草图的细粒度视频检索数据集,该数据集中含有1448张手绘草图和528段视频文件,并且配有丰富的人工标注信息。并且,第五章提出了一个多流多模态神经网络,该模型采用了元学习的方式有效地解决训练样本的数据稀缺问题,并且取得了较好的实验结果。该模型不仅可以在强监督训练策略下进行训练,还可以在弱监督训练策略下,基于多示例学习的框架进行训练。(本文来源于《北京邮电大学》期刊2019-05-31）
黄永业[7]（2019）在《基于深度学习的手绘草图图像检索方法研究》一文中研究指出基于草图的细粒度图像检索(Fine-grained Sketch-based Image Retrieval,FG-SBIR)旨在解决实例级别的草图和自然图像匹配问题。当前FG-SBIR的主要难点在于:(1)草图的构图抽象,而且绘图者水平不一,导致绘图结果差异大。(2)草图标注需要耗费大量的时间和精力,所以草图数据集依旧缺失,目前公开的几个草图数据集中样本数量较少。(3)草图和自然图像差异非常大,而FG-SBIR模型不仅需要学习不同模态的特征,还要将二者映射到同一空间进行距离计算,实现跨模态的检索。(4)FG-SBIR需要解决细粒度的匹配问题,要求模型具有高度的识别能力,能够区分不同的实例图像。本文针对FG-SBIR的相关问题进行了深入研究。在特征学习方面,通过草图识别的方法来寻找最优的草图特征提取模型。针对草图差异性大和数据量少等问题,我们采用基于整形变换的草图数据增广方法进行数据扩充,在草图识别任务中取得了有效的提高。结合草图的视觉信息和时序信息,我们探索了基于卷积神经网络(Convolutional Neural Networks,CNN)、基于坐标序列和基于笔画序列等多种不同的草图识别方法,并分析不同方法的识别效果。在图像检索方面,为了提高模型的辨识能力,本文提出了一种增强式困难叁元组构建方法,并通过大量的对比实验证明该方法能够显着提高检索准确率。此外,本文分析了类别信息、权值共享方式对跨模态检索结果的影响,探索更优的FG-SBIR解决方法。(本文来源于《北京邮电大学》期刊2019-05-31）
严雪[8]（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）
赵雪青,师昕,陈惠娟[9]（2019）在《基于手绘草图骨架特征的叁维目标检索方法》一文中研究指出随着人们对叁维数据使用需求的日益增加,网络上叁维目标数据亦迅速增长,传统的基于关键词的检索方法难以满足叁维目标的检索需求。因此,针对叁维目标检索问题,提出了一种新的基于手绘草图骨架特征的叁维目标检索方法。首先,采用有向梯度直方图(HOG)作为特征描述叁维目标的骨架信息,使用支持向量机实现叁维目标分类检索;其次,手绘叁维目标草图并获取其HOG特征在训练好的叁维目标数据库中进行检索;最后,采用查全率进行客观评价获得叁维目标检索结果。仿真实验结果表明,提出的基于手绘草图骨架特征的叁维目标检索方法具有较好的检索性能。(本文来源于《计算机技术与发展》期刊2019年04期）
刘传兵[10]（2018）在《工业设计手绘与CAID叁维软件应用的整合——将NURBS建模思维植入设计草图》一文中研究指出文章从工业设计专业的设计草图训练与教学的方法创新出发,结合了叁维软件的应用、造型能力的锻炼等专业技能方面,来探讨一种行之有效的工业设计专业技能训练体系。倡导将NURBS思维贯穿于各种造型表达技法(含设计手绘、计算机辅助设计、模型制作等)的学习和实践之中,从而形成融会贯通、精准高效的工业设计职业技能素质。(本文来源于《艺术与设计(理论)》期刊2018年11期）
手绘草图论文开题报告
（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：
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.
（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。
手绘草图论文参考文献
[1].于邓,刘玉杰,邢敏敏,李宗民,李华.包含跨域建模和深度融合网络的手绘草图检索[J].软件学报.2019
[2].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
[3].吴传彬,刘骊,付晓东,刘利军,黄青松.结合显着区域检测和手绘草图的服装图像检索[J].纺织学报.2019
[4].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
[5].郑影.面向手绘草图的语义理解研究[D].哈尔滨工业大学.2019
[6].徐鹏.基于手绘草图的视觉检索问题研究[D].北京邮电大学.2019
[7].黄永业.基于深度学习的手绘草图图像检索方法研究[D].北京邮电大学.2019
[8].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
[9].赵雪青,师昕,陈惠娟.基于手绘草图骨架特征的叁维目标检索方法[J].计算机技术与发展.2019
[10].刘传兵.工业设计手绘与CAID叁维软件应用的整合——将NURBS建模思维植入设计草图[J].艺术与设计(理论).2018
论文知识图
