无草图情况下面向大规模草图识别的边缘增强
计算机视觉与模式识别
2022-06-06 v2
摘要
本工作致力于将草图分类任务扩展到大量类别。收集训练草图是一个缓慢且繁琐的过程，迄今阻碍了任何大规模草图识别的尝试。我们通过利用更易获取的带标签自然图像集合克服了训练草图数据的缺失。为弥合领域鸿沟，我们提出一种新颖的增强技术，专为从自然图像训练集学习草图识别的任务而设计。在边缘检测与边缘选择的参数中引入随机化。自然图像被转换到一个称为“随机化二值细边缘”（rBTE）的伪新域，其作为训练域替代自然图像。通过训练基于 CNN 的草图识别，类别数量达此前所用的 2.5 倍以上，展示了扩展能力。为此，我们通过组合多个流行计算机视觉数据集构建了一个含 874 类自然图像的数据集。类别选取适于草图识别。为评估性能，还收集了含草图的 393 类子集。
引用
@article{arxiv.2202.13164,
title = {Edge Augmentation for Large-Scale Sketch Recognition without Sketches},
author = {Nikos Efthymiadis and Giorgos Tolias and Ondrej Chum},
journal= {arXiv preprint arXiv:2202.13164},
year = {2022}
}