A simple resource-aware approach to sketch recognizers via style identification

Abstract

Çizim insanların doğal iletişim araçlarından biridir. Kalem temelli cihazların sonzamanlardaki artışı ile birlikte, insan-bilgisayar etkileşimi alanında çizim arayüzleri veçizim tanıma sistemlerine olan ilgi büyüyen bir eğilim göstermektedir. Çizim tanımasistemlerine yönelik güncel yaklaşımlar, çizimlerin tanınma oranlarını artırmak adınamakine öğrenimi teknolojilerini fazlaca kullanmaktadırlar. Makine öğreniminde sistemvar olan örneklerin üzerinden bir oğrenim yapabilmektedir. Her ne kadar buörneklerin sayısının fazla olması çizim tanıma sisteminin tanıma performansı icinönemli bir koşul olsa da, makine öğrenim teknolojilerinin pratik kullanımı hususundabazı konular dikkat çekmeye başlamıştır. Çizim tanıma sistemlerinin gelişimini aksatankonulardan biri de aşırı veri işleme sorunudur. Bir çizim tanıma sisteminingözetimli öğrenimi sırasında, eğer sistem büyük bir veri grubu kullanarak eğitilmeyeçalışılırsa, bu durum uzun öğrenme zamanına ve sınıflandırma performansı düşük olanhantal bir sistem modeline neden olur. Bu çalışmada biz pratik, basit, uygulamasıkolay ve herhangi bir çizim tanıma sistemiyle ilgilenen kişinin eğitim veri setini daha ufak stil gruplarına bölümlendirmesi ve bir kullanıcının çizim stilinin tayin edilmesiicin başvurabileceği bir yöntem amaçlanmaktadır. Bizim yöntemimiz belirli insanlarınçizim stillerinin birbirine benzediği gözleminden faydalanarak, stilleri birbirine benzeyenküçük insan toplulukları için modeller üretip bu sayede bir taraftan öğrenme vesınıflandırma zamanlarında azalmaya yol açarken, diğer taraftan çizim tanıma oranlarında önemli bir düşüş yaşamamayı amaçlamaktadır. Genel olarak sistemimiz ikitemel kısımdan oluşmaktadır. İlk kısımda, insanların çizim stil farklılıklarından faydalanalarak var olan tüm eğitim veri setinin daha küçük stil gruplarına bölümlenmesiamaçlanırken, ikinci kısımda, sisteme yeni gelen bir kullanıcının stilinin belirlenip ilkkısımda üretilen stil gruplarından hangisine ait olduğunun tayin edilmesi amaçlanmıştır.

Sketching is one of the natural mode of communication among humans. Withthe recent increase in the availability of pen-based devices, a growing trend towardssketch-based interfaces and sketch recognition systems have emerged in Human ComputerInteraction. Modern approaches to sketch recognition make heavy use of machinelearning technology to maximize recognition accuracies by learning from examples.Although having more training examples is key to the performance of any sketchrecognition framework, certain aspects related to the practical use of machine learningtechnology have surfaced as real issues that need attention. One of these practicalissues that hinders the development and deployment of sketch recognition systems isthe excessive computational resources.During supervised learning of a sketch recognitionsystem, if a large training dataset is used to train a system model, it costs moretraining time and results in a bulky model with poor classication performance. Inthis thesis, we propose a practical, simple, and easy to implement method that sketchrecognition practitioners can resort to for partitioning their training data by based onsketching styles of users. Our method leverages the observation that certain groupsof people have similar sketching styles, and generating models for smaller groups ofpeople with similar styles reduces training and classication times without a signi-cant sacrice in recognition accuracies.Our overall system is consisted of two mainparts such that in the rst part, we partition the all available training data into stylesub-groups and in the next part, we designed a system to identify sketching style ofan incoming user to assign the user into one of the style groups generated in the rstpart. We demonstrate the utility of our approach with empirical results obtainedfrom databases of various sizes and characteristics.