Resumen

Con el rápido desarrollo de la tecnología de reconocimiento de imágenes, el reconocimiento de bocetos a mano alzada ha atraído cada vez más atención. Cómo conseguir un buen efecto de reconocimiento en ausencia de información sobre el color y la textura es la clave para el desarrollo del reconocimiento de bocetos a mano alzada. Los modelos clásicos sin aprendizaje dependen en gran medida de las características de selección manual. Para resolver este problema, en este trabajo se propone un método de reconocimiento de bocetos mediante redes neuronales basado en la estructura DSCN. En primer lugar, se dibuja la secuencia de trazos del boceto; a continuación, se extrae la característica según la secuencia de trazos combinada con la red neuronal, y las características de imagen extraídas se utilizan como entrada del modelo para construir la relación temporal entre las diferentes características de imagen. A través del experimento de control en el conjunto de datos de TU-Berlín, los resultados muestran que, en comparación con los métodos tradicionales sin aprendizaje, HOG-SVM, SIFT-Fisher Vector, MKL-SVM y FV-SP, la precisión de reconocimiento de la red DSCN se mejora en un 15,8%, 10,3%, 6,0% y 2,9%, respectivamente. En comparación con el modelo clásico de aprendizaje profundo, Alex-Net, la precisión de reconocimiento mejora en un 5,6%. Los resultados anteriores muestran que la red DSCN propuesta en este artículo tiene una gran capacidad de extracción de características y expresión no lineal y puede mejorar eficazmente la precisión de reconocimiento de los bocetos pintados a mano después de introducir el orden de los trazos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:reconocimiento de bocetos a mano alzada, precisión de reconocimiento, red dscn, secuencia de trazos, capacidad de las características, desarrollo de la imagen, desarrollo de la mano alzada, buenos efectos de reconocimiento, diferentes características de la imagen, tecnología de reconocimiento de imágenes
• Keywords:freehand sketch recognition, recognition accuracy, dscn network, stroke sequence, ability of features, development of image, development of freehand, good recognition effects, different image features, image recognition technology