计算机科学>计算机视觉和模式识别
标题: 通过语义组件级解析增强草图识别的可解释性
摘要: 徒手画作为描述视觉世界的通用工具,吸引着人们。 人类可以通过识别类别内在语义组件的并发性和布局来轻松识别类别的各种草图,因为人类绘制自由草图的基础是一个共同的共识,即每个草图类别由哪些类型的语义组件组成。 例如,飞机至少应该有机身和机翼。 在此分析的基础上,本文构建了一个语义组件级存储模块,并将其嵌入到所提出的结构化草图识别网络中。 表示每个草图类别语义成分的记忆键可以自学,增强了识别网络的可解释性。 我们提出的网络可以处理不同的草图识别情况,即有或没有笔画的语义成分标签。 在SPG和SketchIME数据集上的实验证明了内存模块的灵活性和识别网络的可解释性。 有关代码和数据,请访问 此https URL .