초록
이 연구는 스케치 분류 작업을 대규모 범주로 확장하는 문제를 다룹니다. 훈련용 스케치 수집은 느리고 번거로운 과정으로, 지금까지 대규모 스케치 인식 시도를 방해해 왔습니다. 우리는 훈련용 스케치 데이터의 부족을 보완하기 위해 더 쉽게 얻을 수 있는 자연 이미지의 라벨된 컬렉션을 활용합니다. 도메인 간 차이를 극복하기 위해, 자연 이미지 세트에서 스케치 인식 학습을 위한 특화된 새로운 증강 기술을 제시합니다.엣지 검출 및 엣지 선택 매개변수에 무작위성을 도입하였습니다. 자연 이미지는 "무작위 이진 얇은 엣지" (rBTE)라고 하는 가상의 새로운 도메인으로 변환되어, 훈련 도메인으로 사용됩니다. 이 기술의 확장 능력을 입증하기 위해, 이전에 사용되었던 범주 수보다 2.5배 이상 많은 범주를 인식할 수 있는 CNN 기반 스케치 인식 모델을 훈련시켰습니다. 이를 위해, 여러 유명한 컴퓨터 비전 데이터셋을 결합하여 874개 범주의 자연 이미지 데이터셋을 구축하였습니다. 이 범주는 스케치 인식에 적합하도록 선정되었습니다. 성능 평가를 위해, 393개 범주의 스케치가 포함된 하위 집합도 수집되었습니다.