![](https://csdnimg.cn/release/download_crawler_static/88424857/bg4.jpg)
然而,其目的是分组离散的图形模式,具有更丰富的视觉线索,使它
们更类似于图像分割的问题,因此比分组素描线条画更容易。
草图语义分割:与草图分组密切相关的问题是草图语义分割[8,9,
10]
1
。关键的区别在于草图分组器是通用的,因为它可以应用于任何
对象类别,因为它只预测笔划是否属于同一组而不是什么组。相比之
下,草图分割模型需要预测每个组的标签。因此,通常每个对象类别
需要一个模型。注意,虽然解决了两个不同的问题,但我们的工作可
以以两种方式潜在地有益于草图语义分割:(i)在我们的分组模型
中隐含地建模的分组原则可以用于语义分割,例如,通过修改/微调
我们的模型到一个完全监督的模型。(ii)SPG数据集还包含每个类别的
组ID标签,因此可用于开发深度分割模型,由于现有草图分割数据集
的尺寸较小,迄今为止尚不可能开发深度分割模型[8,9,10]。
草图笔划分析: 像我们的模型一样,一些最近的草图模型- EL基于
笔划建模。[10]研究了笔画语义切分。 序列到序列变分自动编码器在
[16]中用于条件草图合成的不同目的。[17]中的工作使用了草图RNN 对
于草图抽象问题,通过顺序去除冗余笔划来解决。基于笔划的模型自然
适合于感知分组。如果将草图视为2D像素阵列而不是笔划,则对格式塔
原理进行建模将更加困难。细粒度SBIR: FG-SBIR是草图分析中最近
的焦点[18,19,20,21,22,23]。训练FG-SBIR模型通常需要昂贵的照
片-草图对收集,这严重限制了其对大量 对象类别。在这项工作中,我
们表明,我们的通用石斑鱼是一般的,足以适用于从对象的照片计算的
边缘图。然后可以通过移除最不重要的组来抽象边缘图。提取的边缘图
可用于替代人类草图并形成合成草图-照片对以用于训练FG-SBIR模型。
我们表明,以这种方式训练的模型的性能接近使用人类标记数据训练的
相同模型的性能,并且优于最先进的无监督替代方案[17]。
3
手绘草图感知分组数据集
我们贡献了Sketch Perceptual Grouping数据集,这是迄今为止最大的徒
手草图感知分组数据集。它包含
20
,
000
个
草图,分布在25个类别
中,每个草图都手动注释为零件。
类别选择草图来自QuickDraw数据集[16],这是迄今为止最大的草图数
据集。它包含了345类日常用品。 其中,基于以下标准选择25个用于
SPG(参见表1):该类别应当包含至少三个语义部分,
1
它们的关系类似于无监督图像分割之间的关系 [5,6]和语义分割[7]。