摘要
Andreas Bulling、Raimund Dachselt、Andrew Duchowski、Robert Jacob、Sophie Stellmach和Veronica Sundstedt。 2012年,关注WIMP后世界的互动。 以CHI表示。 1221--1224. 谷歌学者 Choi Jungwoo、Cho Heeryon、Song Jinjoo和Sang Min Yoon。 2019a年。 Sketchhelper:用于徒手草图检索的实时笔划指导。 IEEE TMM,第21卷,第8卷(2019年),2083-2092。 谷歌学者 Choi Jungwoo、Cho Heeryon、Song Jinjoo和Sang Min Yoon。 2019b年。 SketchHelper:手绘草图检索的实时笔划指导。 IEEE TMM,第21卷,第8卷(2019年),2083-2092。 谷歌学者 钟俊英(Junyoung Chung)、卡格拉·古尔切里(Caglar Gulcehre)、赵京贤(KyungHyun Cho)和约书亚·本吉奥(Yoshua Bengio)。 2014.门控递归神经网络对序列建模的实证评估。 arXiv预印本arXiv:1412.3555(2014)。 谷歌学者 数字图书馆 阿扬·达斯、杨永新、蒂莫西·霍斯佩德斯、陶香和宋一泽。 2021.Cloud2curve:参数草图的生成和矢量化。 在CVPR中。 7088--7097. 谷歌学者 Alexey Dosovitskiy、Lucas Beyer、Alexander Kolesnikov、Dirk Weissenborn、Xiaohua Zhai、Thomas Unterthiner、Mostafa Deghani、Matthias Minderer、Georg Heigold、Sylvain Gelly、Jakob Uszkoreit和Neil Houlsby。 2021.图像值16x16个单词:用于大规模图像识别的变形金刚。 arXiv预印本arXiv:2010.11929(2021)。 谷歌学者 马蒂亚斯·埃茨(Mathias Eitz)、詹姆斯·海斯(James Hays)和马克·阿莱克萨(Marc Alexa)。 2012.人类是如何绘制物体的? ACM TOG,第31卷,第4卷(2012年),1-10。 谷歌学者 数字图书馆 Danilo Gasques、Janet G Johnson、Tommy Sharkey和Nadir Weibel。 2019.你画的就是你得到的:用pintar快速、简单地制作增强现实原型。 以CHI表示。 1--6. 谷歌学者 大卫·哈和道格拉斯·埃克。 2018年,草图的神经表达。 在ICLR中。 谷歌学者 何俊彦(Jun-Yan He)、小吴(Xiao Wu)、姜瑜刚(Yu-Gang Jiang)、赵波(Bo Zhao)和彭强(Qiang Peng)。 2017.采用深度视觉序列融合模型进行草图识别。 在ACM MM.448-456。 谷歌学者 何开明、张湘玉、任少清、孙建军。 2016.图像识别的深度残差学习。 在CVPR中。 770--778. 谷歌学者 Michael Hersche、Geethan Karunaatne、Giovanni Cherubini、Luca Benini、Abu Sebastian和Abbas Rahimi。 2022.有限的课堂增量学习。 在CVPR中。 9057--9067. 谷歌学者 Rui Hu和John Collomosse。 2013.基于草图的图像检索的梯度场猪描述符性能评估。 CVIU,第117卷,第7卷(2013年),第790--806页。 谷歌学者 数字图书馆 Forrest Huang、John F Canny和Jeffrey Nichols。 2019.太古:基于草图的用户界面检索。 以CHI表示。 1--10. 谷歌学者 数字图书馆 齐佳,余美玉,樊欣,李浩杰,2017。 基于形状和纹理特征的连续双深度学习用于草图识别。 arXiv预印arXiv:1708.02716(2017)。 谷歌学者 李国浩、马蒂亚斯·穆勒、阿里·萨贝特和伯纳德·加尼姆。 2019.深渊:深渊能像深渊一样深渊吗?。 在CVPR中。 9267--9276. 谷歌学者 李珂、彭凯悦、宋继飞、宋一泽、陶香、蒂莫西·霍斯佩德斯和张洪刚。 2018年b月。 通用草图感知分组。 在ECCV中。 582--597. 谷歌学者 李磊、傅洪波和太清兰。 2018年a。 通过深度学习快速草图分割和标记。 IEEE CG&A,第39卷,第2卷(2018年),38-51。 谷歌学者 龙明生、曹章杰、王建民和迈克尔·乔丹。 2018.有条件对抗域适配。 在NeurIPS中。 1647--1657. 谷歌学者 梅迪·米尔扎(Mehdi Mirza)和西蒙·奥斯宾多(Simon Osindero)。 2014.有条件生成对抗网。 arXiv预印本arXiv:1411.1784(2014)。 谷歌学者 潘新诺和杨强。 2009年,关于迁移学习的调查。 IEEE TKDE,第22卷,第10卷(2009年),1345--1359。 谷歌学者 Ameya Prabhu、Vishal Batchu、Sri Aurobindo Munagala、Rohit Gajawada和Anoop Namboodiri,2018年。 草图识别中神经网络的分布感知二值化。 在WACV中。 830--838. 谷歌学者 Alan Preciado-Grijalva和Venkata Santosh Sai Ramiredy Muthiredy。 2021.用于图像识别的深度神经网络域自适应技术评估。 arXiv预印arXiv:2109.13420(2021)。 谷歌学者 齐永刚和谭正华。 2019.SketchSegNet:RNN的端到端学习,用于多类草图语义分割。 IEEE接入,第7卷(2019年),102717--102726。 谷歌学者 交叉引用 Patsorn Sangkloy、Nathan Burnell、Cusuh Ham和James Hays。 2016年,粗略数据库:学习检索画得不好的兔子。 ACM TOG,第35卷,第4卷(2016年),1-12。 谷歌学者 数字图书馆 Ravi Kiran Sarvadevabhatla、Isht Dwivedi、Abhijat Biswas、Sahil Manocha和Venkatesh Babu R.2017a。 SketchParse:使用多任务层次深层网络对绘制不好的草图进行丰富的描述。 在ACMMM中。 10--18. 谷歌学者 拉维·基兰·萨瓦德瓦巴特拉和约根德拉·昆杜。 2016.让我的机器人能够玩图画:用于草图识别的递归神经网络。 在ACM MM.247--251中。 谷歌学者 Ravi Kiran Sarvadevabhatla、Sudharshan Suresh和R.Venkatesh Babu。 2017年b月。 通过手绘草图上的眼睛注视来理解对象类别。 IEEE TIP,第26卷,第5卷(2017年),2508-2518。 谷歌学者 Sarah Suleri、Vinoth Pandian Sermuga Pandian、Svetlana Shishkovets和Matthias Jarke。2019。 Eve:基于草图的软件原型工作台。 以CHI表示。 1--6. 谷歌学者 孙宝晨、冯佳诗和凯特·桑科。 2017.无监督领域适应的相关校准。 在计算机视觉应用中的领域适应,Gabriela Csurka(Ed.)。 斯普林格,153-171。 谷歌学者 孙宝晨和凯特·桑科。 2016年。深珊瑚:深域适应的相关比对。 在ECCV中。 施普林格,443-450。 谷歌学者 陶晓宇、洪晓鹏、张新元、董松林、邢伟、龚一红。 2020年,小班增量学习。 在CVPR中。 12183--12192. 谷歌学者 Caglar Tirkaz、Berrin Yanikoglu和T.Metin Sezgin。 2012.带自动补全功能的略图符号识别。 公共关系,第45卷,第11卷(2012年),第3926-3937页。 谷歌学者 Eric Tzeng、Judy Hoffman、Ning Zhang、Kate Saenko和Trevor Darrell。 2014.深层域混淆:最大化域不变性。 arXiv预印本arXiv:1412.3474(2014)。 谷歌学者 王芳,乐康,李毅,2015。 基于草图的卷积神经网络三维形状检索。 在CVPR中。 1875--1883. 谷歌学者 王飞、林树金、吴鹤峰、李汉辉、王若梅、罗晓楠和何向建。 2019a年。 Spfusionnet:使用多模态数据融合进行草图分割。 在ICME中。 1654--1659. 谷歌学者 王悦、孙永斌、刘子伟、桑杰·E·萨尔马、迈克尔·M·布朗斯坦和贾斯汀·M·所罗门。 2019b年。 用于学习点云的动态图形cnn。 ACM TOG,第38卷,第5卷(2019年),1-12。 谷歌学者 数字图书馆 吴兴元、齐永刚、刘军和杨杰。 2018.Sketchsegnet:标记草图笔划的rnn模型。 在MLSP中。 1至6。 谷歌学者 徐鹏(Peng Xu)、霍斯佩德斯(Timothy M Hospedales)、尹启月(Qiyue Yin)、宋一泽(Yi-Zhe Song)、陶香(Tao Xiang)和王亮(Liang Wang)。 2023.自由写生深度学习:一项调查。 IEEE TPAMI,第45卷,第1卷(2023年),第285--312页。 谷歌学者 交叉引用 徐鹏、黄永业、袁桐桐、庞凯岳、宋一泽、陶香、马占玉、郭军。 2018.Sketchmate:深度散列,用于百万级人类素描检索。 在CVPR中。 8090--8098. 谷歌学者 徐鹏(Peng Xu)、乔西(Chaitanya K Joshi)和布列松(Xavier Bresson)。 2022.用于徒手草图识别的多图转换器。 IEEE TNNLS,第33卷,第10卷(2022年),5150-5161。 谷歌学者 杨鲁敏、庄家杰、傅洪波、魏祥志、周坤和郑友宜。 2021.草图:使用图形神经网络进行语义草图分割。 ACM TOG,第40卷,第3卷(2021年),1-13。 谷歌学者 数字图书馆 钱瑜、杨永新、刘峰、宋一泽、陶香和蒂莫西·霍斯佩德斯。 2017.草图网络:一个击败人类的深层神经网络。 IJCV,第122卷,第3卷(2017年),第411--425页。 谷歌学者 数字图书馆 钱瑜、杨永新、宋一泽、陶香和蒂莫西·霍斯佩德斯。 2015.击败人类的草图网络。 在BMVC中。 1--12. 谷歌学者 张驰、宋楠、林国胜、郑云、潘攀和徐英辉。 2021.使用不断进化的分类器进行少量增量学习。 在CVPR中。 12455--12464. 谷歌学者 赵安、丁明宇、卢志武、陶香、牛玉磊、关洁超、文继荣。 2021.领域自适应少快照学习。 在WACV中。 1390--1399. 谷歌学者 周大伟(Da-Wei Zhou)、王福云(Fu-Yun Wang)、韩嘉业(Han-Jia Ye)、梁马(Liang Ma)、蒲时良(Shiliang Pu)和詹德川(De-Chuan Zhan)。 2022a年。 向前兼容的少快照类增量学习。 在CVPR中。 9046--9056. 谷歌学者 周大伟(Da-Wei Zhou)、韩家烨(Han-Jia Ye)、梁马(Liang Ma)、解迪(Di Xie)、蒲时良(Shiliang Pu)和詹德川(De-Chuan Zhan)。 2022b年。 通过对多阶段任务进行抽样,减少课堂增量学习。 IEEE TPAMI(2022)。 https://doi.org/10.1109/TPAMI.2022.3200865 谷歌学者 数字图书馆 朱凯、杨曹、翟伟、程洁、翟正军。 2021.针对少镜头课堂增量学习的自我促进原型改进。 在CVPR中。 6801--6810. 谷歌学者
建议
“CADSketchNet”-一个用于深度神经网络三维CAD模型检索的注释草图数据集 ▪ 集锦 本文的目标是创建一个草图数据集,用于开发基于深度学习的解决方案,以解决三维CAD模型中的搜索和检索问题。 一个名为“CADSketchNet”的查询图像草图数据集。。。
图形摘要 忽略的显示 摘要 3D建模和数字存档领域的不断进步导致了数字存储数据量的激增。 因此,根据存储在这些数据库中的数据类型,开发了几种检索系统。。。 人手画人脸草图识别及基于PCA的法医学应用 生物特征学最新进展专题 因为面部草图以一种非常简洁但可识别的形式表示原始面部,所以它们在刑事调查、人类视觉感知和面部生物特征识别中发挥着重要作用。 在本文中,我们比较了人和人的表现。。。