Zīmētu attēlu klasificēšana ar neironu tīkliem

Abstract

Šī darba mērķis ir iepazīties un izvērtēt esošos zīmētu attēlu klasificēšanas rīkus uz sakropļotiem attēliem, kas ir raksturīgi pikseļgrafikā. Darba gaitā tika izstrādāta metode pikseļattēlu atpazīšanai, izmantojot skiču datu kopu QuickDraw. Pētījuma ietvaros ir salīdzināta Sketch-a-Net neironu tīkla arhitektūra un tiek izveidoti vairāki patvaļīgi konvolucionālie neironu tīkli skiču atpazīšanai. Pikseļattēla pirmsapstrādes ietvaros tiek piedāvāts depikselizācijas un kontrastējošās krāsu sliekšņa algoritms, lai pielīdzinātu pikseļattēlu skices īpatnībām. Papildus darbā tiek salīdzināta TU Berlin datu kopas efektivitāte ar QuickDraw datu kopu.

The goal of this study was assessment of drawing classification tools with neural networks on corrupted images, specifically on pixel art images. The paper offers solution for recognizing pixel art images using QuickDraw sketch dataset. For sketch recognition proposed Sketch-a-Net neural network architecture is compared with arbitrary created convolutional neural. In order to pixel art match sketch features depixelization and image thresholding algorithms are used as part of pixel art. In addition, the study also compares the efficiency of the TU Berlin dataset with QuickDraw dataset.