基于卷積神經(jīng)網(wǎng)絡(luò)草圖指令識(shí)別技術(shù)研究

摘 要：針對(duì)傳統(tǒng)草圖指令識(shí)別準(zhǔn)確率低的問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)草圖指令識(shí)別技術(shù)。通過構(gòu)建與優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型，利用大量草圖指令樣本訓(xùn)練，訓(xùn)練全程緊密監(jiān)測驗(yàn)證集準(zhǔn)確率，以此為依據(jù)實(shí)時(shí)、動(dòng)態(tài)調(diào)整學(xué)習(xí)率。搭配L2正則化與Dropout雙保險(xiǎn)策略，協(xié)同抑制過擬合。L2正則化約束權(quán)重規(guī)模，Dropout隨機(jī)失活神經(jīng)元，兩者相輔相成，能夠提高模型對(duì)不同草圖指令識(shí)別的準(zhǔn)確率，驗(yàn)證了人機(jī)交互體驗(yàn)的優(yōu)化效果。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；草圖指令識(shí)別；人機(jī)交互

中圖分類號(hào)：TP391.1;E917 文獻(xiàn)標(biāo)志碼：A DOI：10.3969/j.issn.1673-3819.2025.02.012

Research on sketch instruction recognition technology based on convolutional neural network

ZHOU Yu ZHANG Jingtao LI Ligang ZHANG Xiaoyan

（1. Joint Operations College， National Defense University， Shijiazhuang 050081;

2. Key Laboratory of Intelligent Gaming， Beijing 100091， China）

Abstract：In order to solve the problems of low accuracy of traditional sketch instruction recognition， a sketch instruction recognition technology based on convolutional neural network is proposed. By constructing and optimizing the convolutional neural network model， a large number of sketch instruction samples are used for training， and the accuracy of the validation set is closely monitored throughout the training process， and the learning rate is dynamically adjusted in real time and based on this. With L2 regularization and Dropout dual insurance strategies， overfitting is synergistically suppressed. L2 regularization constraint weight scale and Dropout randomly inactivated neurons complement each other， which can improve the accuracy of the model in recognizing different sketch instructions and improve the human-computer interaction experience.

Key words：convolutional neural network； sketch command recognition； interactive

當(dāng)今數(shù)字化轉(zhuǎn)型浪潮下，人機(jī)交互領(lǐng)域不斷拓展，草圖指令識(shí)別愈發(fā)關(guān)鍵。傳統(tǒng)人機(jī)交互多依賴文本輸入、鼠標(biāo)點(diǎn)擊，繁瑣低效，難以滿足人們快速捕捉靈感、即時(shí)傳達(dá)復(fù)雜設(shè)計(jì)理念的訴求[1]。手繪草圖憑借直觀、便捷的優(yōu)勢，成為各行業(yè)創(chuàng)意萌發(fā)、方案初擬的得力工具。設(shè)計(jì)師能迅速勾勒服裝樣式、室內(nèi)布局；工程師現(xiàn)場手繪機(jī)械零件輪廓輔助維修；教師借學(xué)生草圖洞察知識(shí)掌握情況。隨著智能設(shè)備普及，電子草圖興起，亟待精準(zhǔn)、高效的自動(dòng)識(shí)別技術(shù)將手繪內(nèi)容轉(zhuǎn)化為數(shù)字指令，驅(qū)動(dòng)后續(xù)流程。

早期草圖識(shí)別聚焦幾何特征提取，基于邊緣檢測、形狀描述來剖析草圖[2]，雖能識(shí)別簡單圖形，但面對(duì)稍復(fù)雜的交叉、重疊圖形就漏洞百出。模板匹配是將草圖與預(yù)設(shè)標(biāo)準(zhǔn)模板對(duì)比，可一旦手繪偏離模板，準(zhǔn)確率驟降，靈活性極差。伴隨機(jī)器學(xué)習(xí)發(fā)展，支持向量機(jī)（SVM）用于草圖分類，通過尋找最優(yōu)分類超平面劃分不同圖形類別，但人工特征選取耗時(shí)費(fèi)力，且對(duì)大規(guī)模、多風(fēng)格草圖適應(yīng)性弱。隱馬爾可夫模型（HMM）嘗試解析草圖繪制順序、線條走向規(guī)律[3]，用于手勢、筆畫識(shí)別，卻因手繪隨機(jī)性強(qiáng)，模型假設(shè)條件常難契合實(shí)際，效果受限。深度學(xué)習(xí)興起后，CNN嶄露頭角。初期研究多套用通用圖像識(shí)別 CNN 架構(gòu)，雖精度優(yōu)于傳統(tǒng)方法，但未深挖草圖特質(zhì)，手繪抖動(dòng)、風(fēng)格多變問題未妥善解決；后續(xù)改進(jìn)聚焦定制化，依草圖特點(diǎn)調(diào)參、改結(jié)構(gòu)，結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）捕捉筆畫順序信息，拓展時(shí)間維度特征[4]；有的研究用生成對(duì)抗網(wǎng)絡(luò)（GAN）生成草圖擴(kuò)充樣本，強(qiáng)化模型泛化力，為 CNN 草圖識(shí)別持續(xù)注入活力，但以上研究對(duì)草圖指令識(shí)別準(zhǔn)確率仍沒有明顯提升。

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)草圖指令識(shí)別技術(shù)。通過構(gòu)建與優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型，利用大量草圖指令樣本訓(xùn)練，訓(xùn)練全程緊密監(jiān)測驗(yàn)證集準(zhǔn)確率，以此為依據(jù)實(shí)時(shí)、動(dòng)態(tài)調(diào)整學(xué)習(xí)率。搭配L2正則化與Dropout雙保險(xiǎn)策略，協(xié)同抑制過擬合。L2正則化約束權(quán)重規(guī)模，Dropout隨機(jī)失活神經(jīng)元，兩者相輔相成，能夠提升模型對(duì)不同草圖指令識(shí)別的準(zhǔn)確率，提高了人機(jī)交互體驗(yàn)。

1 草圖指令標(biāo)繪

草圖指令標(biāo)繪的目的是自然、快速和高效地將含有指揮意圖的手繪信息映射到軍事電子地圖上，實(shí)現(xiàn)對(duì)軍事行動(dòng)的高效指揮與控制。

1.1 指令標(biāo)繪

指令標(biāo)繪主要是對(duì)指令手勢等信息有效標(biāo)繪，通過手勢書寫和基于GIS的繪制共同實(shí)現(xiàn)。一是在電子地圖的基礎(chǔ)上，通過手勢書寫方式在電子地圖上進(jìn)行指令繪制，并與電子地圖配對(duì)保存，采樣點(diǎn)位置一般通過經(jīng)緯度記錄[5]；二是基于網(wǎng)頁端GIS二次開發(fā)函數(shù)接口為規(guī)則和非規(guī)則圖形附加基本控制屬性（長、寬、襯色、填充等屬性）和擴(kuò)展屬性（組合、錨定、閃爍等屬性）。

1.2 草圖識(shí)別

草圖識(shí)別主要是對(duì)標(biāo)繪信息的有效識(shí)別，其中，手勢包含用戶的簡單筆畫（如繪制線條、箭頭等）及自由批注（自由書寫態(tài)勢相關(guān)批注信息）等信息；軍標(biāo)包含規(guī)則軍標(biāo)（其一般代表無地理意義的目標(biāo)[6]，如各級(jí)指揮所、各類武器庫等，一般由點(diǎn)、線、三角形等基本圖形單元組成）和非規(guī)則軍標(biāo)（其一般代表有地理意義和形態(tài)、能反映作戰(zhàn)態(tài)勢變化的軍標(biāo)集合）。此外，規(guī)則軍標(biāo)和非規(guī)則軍標(biāo)還可以進(jìn)一步組合成更復(fù)雜的軍標(biāo)，并采用卷積神經(jīng)網(wǎng)絡(luò)的小樣本圖像識(shí)別模型對(duì)手繪草圖進(jìn)行識(shí)別訓(xùn)練，如圖1所示。

2 草圖標(biāo)繪指控系統(tǒng)構(gòu)建

2.1 系統(tǒng)總體架構(gòu)

草圖標(biāo)繪指控系統(tǒng)主要由輸入與信息綜合處理子系統(tǒng)、態(tài)勢查看與草圖標(biāo)繪子系統(tǒng)和態(tài)勢分析與指揮決策子系統(tǒng)構(gòu)成，如圖2所示。其中，輸入與信息綜合處理子系統(tǒng)、態(tài)勢查看與草圖標(biāo)繪子系統(tǒng)為態(tài)勢分析與指揮決策子系統(tǒng)提供了數(shù)據(jù)與交互方式，簡化了指揮控制的流程。

2.2 輸入與信息綜合處理子系統(tǒng)

輸入與信息綜合處理子系統(tǒng)的主要作用是為用戶提供信息輸入端口，并采用有效方法對(duì)草圖標(biāo)繪信息及其他態(tài)勢進(jìn)行采集與處理，構(gòu)建地理數(shù)據(jù)[7]、標(biāo)繪數(shù)據(jù)和其他數(shù)據(jù)的離線知識(shí)庫，以便為態(tài)勢查看與草圖標(biāo)繪、態(tài)勢分析與指揮決策提供數(shù)據(jù)基礎(chǔ)。其邏輯架構(gòu)如圖3所示。

2.2.1 用戶輸入與訪問

指揮人員可以通過筆式交互、語音與手勢交互等直接交互方式或傳統(tǒng)交互方式，完成與地理信息系統(tǒng)、可視化顯示系統(tǒng)的交互，同時(shí)，為了方便用戶編輯草圖而不影響地圖顯示，將草圖與電子地圖分開存儲(chǔ)，以圖層疊加的形式進(jìn)行顯示。

2.2.2 信息采集與處理平臺(tái)

信息采集與處理平臺(tái)用于接入、處理、存儲(chǔ)和分發(fā)數(shù)據(jù)，并構(gòu)建軍標(biāo)與手勢數(shù)據(jù)庫，為作戰(zhàn)過程中的軍標(biāo)、手勢在線識(shí)別提供數(shù)據(jù)基礎(chǔ)。針對(duì)手勢標(biāo)繪識(shí)別，基于圖卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別模型能夠提取全局和局部特征，有效識(shí)別手勢類標(biāo)繪，并將其轉(zhuǎn)化為規(guī)整的標(biāo)繪。

2.3 態(tài)勢查看與草圖標(biāo)繪子系統(tǒng)

態(tài)勢查看與草圖標(biāo)繪子系統(tǒng)主要實(shí)現(xiàn)指揮業(yè)務(wù)到雙手觸摸手勢的映射過程，主要包括態(tài)勢查看和草圖標(biāo)繪2個(gè)模塊，邏輯架構(gòu)圖如圖4所示。

2.3.1 態(tài)勢查看模塊

戰(zhàn)場態(tài)勢查看包含態(tài)勢選擇、視角的調(diào)整、點(diǎn)查和面查等若干任務(wù)。其中，視角的調(diào)整主要通過縮放、移動(dòng)和旋轉(zhuǎn)（三維角度）電子地圖而實(shí)現(xiàn)，縮放地圖通過手指的“捏放”動(dòng)作實(shí)現(xiàn)，移動(dòng)地圖通過“拖拽”的動(dòng)作來實(shí)現(xiàn)，旋轉(zhuǎn)地圖通過“擰”的動(dòng)作來實(shí)現(xiàn)。點(diǎn)查和面查是為了查看目標(biāo)的具體屬性，其利用手指或類筆工具對(duì)若干控制點(diǎn)進(jìn)行控制，以實(shí)現(xiàn)上述操作。其中，點(diǎn)查是為了查看選定目標(biāo)對(duì)象（如碼頭、機(jī)場、車站）的詳細(xì)屬性信息（一般以列表的形式顯示），可以直接點(diǎn)觸目標(biāo)來查詢目標(biāo)信息；面查是為了查看某一區(qū)域內(nèi)多個(gè)目標(biāo)的詳細(xì)屬性信息，通過手指關(guān)節(jié)連續(xù)滑動(dòng)來迅速劃定多邊形區(qū)域。

2.3.2 草圖標(biāo)繪模塊

草圖繪制主要采用基于網(wǎng)頁端GIS的軍標(biāo)繪制，指揮人員通過在態(tài)勢蒙版上自由繪制一些圖形來表達(dá)自己的指揮意圖，通過線條、文字和簡圖體現(xiàn)出來。此外，用戶可以選擇畫筆的顏色、粗細(xì)、筆型，還可以自定義文字的內(nèi)容、大小和顏色，來表示不同的含義。同時(shí)，該模塊具備橡皮擦屬性，對(duì)繪制的內(nèi)容進(jìn)行重復(fù)修改。

2.4 態(tài)勢分析與指揮決策子系統(tǒng)

態(tài)勢分析與指揮決策子系統(tǒng)利用輸入與信息綜合處理子系統(tǒng)、態(tài)勢查看與草圖標(biāo)繪子系統(tǒng)提供的數(shù)據(jù)，設(shè)計(jì)多套輔助決策方案，不斷優(yōu)化并集成至輔助決策數(shù)據(jù)庫中，在實(shí)際作戰(zhàn)過程中，實(shí)時(shí)監(jiān)控作戰(zhàn)情況，并在作戰(zhàn)結(jié)束后，利用輸入與信息綜合處理子系統(tǒng)、態(tài)勢查看與草圖標(biāo)繪子系統(tǒng)進(jìn)行作戰(zhàn)評(píng)估，將評(píng)估結(jié)果反饋至輔助決策數(shù)據(jù)庫。

3 卷積神經(jīng)網(wǎng)絡(luò)草圖指令識(shí)別系統(tǒng)構(gòu)建

3.1 數(shù)據(jù)預(yù)處理

基于卷積神經(jīng)網(wǎng)絡(luò)的小樣本圖像識(shí)別模型采用卷積神經(jīng)網(wǎng)絡(luò)與小樣本學(xué)習(xí)技術(shù)，實(shí)現(xiàn)對(duì)基礎(chǔ)手繪指令的識(shí)別。同時(shí)，其利用卷積層和池化層來自動(dòng)提取圖像中的特征并據(jù)此完成分類。與傳統(tǒng)的圖像識(shí)別方法相比，其具備參數(shù)共享、自動(dòng)特征學(xué)習(xí)和多維度特征提取三大特征，擁有更高的計(jì)算效率、更強(qiáng)的泛化能力和更好的擴(kuò)展能力。

系統(tǒng)對(duì)采集的數(shù)據(jù)集進(jìn)行統(tǒng)一標(biāo)準(zhǔn)化尺寸、灰度轉(zhuǎn)化剔除色彩干擾。其運(yùn)用反轉(zhuǎn)、旋轉(zhuǎn)、縮放、錯(cuò)切等數(shù)據(jù)增強(qiáng)戰(zhàn)術(shù)，“繁衍”多樣變體，既擴(kuò)充樣本庫容，又錘煉模型對(duì)復(fù)雜情形的泛化“韌性”。

3.2 模型架構(gòu)搭建

系統(tǒng)采用多層卷積與池化交替結(jié)構(gòu)，前端卷積層逐步提取草圖細(xì)節(jié)、輪廓特征；中間插入批標(biāo)準(zhǔn)化層，穩(wěn)定訓(xùn)練過程；后端接全連接層，用 Softmax 分類，輸出各類草圖指令概率。

本次研究用到的基于卷積神經(jīng)網(wǎng)絡(luò)的小樣本圖像識(shí)別模型的網(wǎng)絡(luò)結(jié)構(gòu)包括六層，如圖5所示。

模型網(wǎng)絡(luò)結(jié)構(gòu)由左至右依次為卷積層1、最大池化層1、卷積層2、最大池化層2、Flatten層和密集層（即全連接層）。

模型輸入的待識(shí)別圖像數(shù)據(jù)是32x32像素的黑白圖片，故輸入層的張量形狀為[32， 32， 1]（高度、寬度、顏色通道）。

卷積層1使用8個(gè)濾波器（或稱為卷積核）對(duì)輸入的圖像進(jìn)行卷積操作，提取圖像的局部特征，輸出的張量形狀為[28， 28， 8]。在卷積層1后添加ReLU激活函數(shù)以增加數(shù)據(jù)的非線性特征。

最大池化層1作為下采樣，獲取一個(gè)區(qū)域中的最大值，以降低特征圖的分辨率，減少計(jì)算量和參數(shù)數(shù)量，輸出的張量形狀為[14， 14， 8]。

重復(fù)上述卷積層與最大池化層操作，卷積層2使用16個(gè)濾波器，輸出的張量形狀為[10， 10， 16]，最大池化層2輸出的張量形狀為[14， 14， 8]。

Flatten層將輸出展平為1維向量，以便將其輸入到最后一層。

密集層（即全連接層）輸出的通常是一個(gè)概率分布，表示輸入圖像屬于各個(gè)類別的概率，該模型具有10（可根據(jù)分類種類調(diào)整）個(gè)輸出單元，每個(gè)輸出對(duì)應(yīng)一類手繪指令。

3.3 數(shù)據(jù)準(zhǔn)備

小樣本圖像識(shí)別任務(wù)對(duì)數(shù)據(jù)質(zhì)量要求較高，數(shù)據(jù)準(zhǔn)備尤為重要，以下是數(shù)據(jù)準(zhǔn)備過程中的關(guān)鍵步驟：

第一步，數(shù)據(jù)收集：需要收集一定數(shù)量和質(zhì)量的圖像數(shù)據(jù)，并確保數(shù)據(jù)覆蓋所有需要識(shí)別的10種類型。

第二步，數(shù)據(jù)預(yù)處理：對(duì)收集的數(shù)據(jù)進(jìn)行圖像縮放、裁剪、歸一化等操作，以確保輸入數(shù)據(jù)的一致性。

第三步，數(shù)據(jù)增強(qiáng)：通過旋轉(zhuǎn)、翻轉(zhuǎn)、平移、縮放等操作增加數(shù)據(jù)集的多樣性，提高模型的泛化能力。

本研究每種類型的原始數(shù)據(jù)80張，共800張。通過數(shù)據(jù)增強(qiáng)生成約3倍于原始數(shù)據(jù)集的增強(qiáng)數(shù)據(jù)，共2 400張，部分增強(qiáng)數(shù)據(jù)如圖6所示。

增強(qiáng)后的數(shù)據(jù)按照4∶1劃分為訓(xùn)練集和驗(yàn)證集，在原始數(shù)據(jù)集中隨機(jī)選取80%作為測試集，數(shù)據(jù)集劃分見表1。

3.4 模型訓(xùn)練與優(yōu)化

依據(jù)數(shù)據(jù)集劃分訓(xùn)練、驗(yàn)證、測試集，本文選用交叉熵作為損失函數(shù)，Adam優(yōu)化器動(dòng)態(tài)調(diào)整學(xué)習(xí)率訓(xùn)練，檢測驗(yàn)證集準(zhǔn)確率，適時(shí)調(diào)整超參數(shù)；引入L2正則化抑制過擬合，強(qiáng)化特征提取。

模型訓(xùn)練主要步驟如下：

第一步，模型初始化：隨機(jī)初始化卷積層和全連接層的權(quán)重和偏置；

第二步，前向傳播：將預(yù)處理后的圖像數(shù)據(jù)輸入模型中，通過卷積層、池化層和全連接層進(jìn)行前向傳播，得到輸出結(jié)果；

第三步，損失計(jì)算：計(jì)算輸出結(jié)果與真實(shí)標(biāo)簽之間的損失，該訓(xùn)練過程使用交叉熵?fù)p失函數(shù)；

第四步，反向傳播：使用梯度下降等優(yōu)化算法更新模型的權(quán)重和偏置，以最小化損失函數(shù)；

第五步，迭代訓(xùn)練：重復(fù)前向傳播、損失計(jì)算和反向傳播的過程，直到模型在驗(yàn)證集上的性能不再顯著提高或達(dá)到預(yù)設(shè)的迭代次數(shù)，如圖7所示。

通過模型訓(xùn)練實(shí)驗(yàn)，當(dāng)訓(xùn)練輪次（Epoch）為100時(shí)，訓(xùn)練結(jié)果達(dá)到可接受的準(zhǔn)確率，總體訓(xùn)練準(zhǔn)確率見表2，各類指令之間的混淆矩陣見表3。

4 原型系統(tǒng)驗(yàn)證

為了更好地驗(yàn)證草圖指令下達(dá)的有效性，本文依托某培訓(xùn)班次共151人，基于草圖標(biāo)繪指控原型系統(tǒng)開展實(shí)驗(yàn)驗(yàn)證，后臺(tái)收集3天試用中的指令下達(dá)圖像、指令識(shí)別情況、指令執(zhí)行結(jié)果等信息，經(jīng)過比對(duì)分析，形成統(tǒng)計(jì)數(shù)據(jù)見表4。

原型系統(tǒng)使用效果如圖8、圖9所示。

5 結(jié)束語

本研究通過構(gòu)建高效識(shí)別系統(tǒng)，利用大量草圖指令樣本訓(xùn)練，通過卷積神經(jīng)網(wǎng)絡(luò)提升傳統(tǒng)草圖指令識(shí)別精度，提高了人機(jī)交互體驗(yàn)。但卷積神經(jīng)網(wǎng)絡(luò)草圖識(shí)別仍存在挑戰(zhàn)。高質(zhì)量標(biāo)注數(shù)據(jù)難獲取、訓(xùn)練耗時(shí)耗能；模型對(duì)罕見草圖樣式化欠佳；跨領(lǐng)域識(shí)別精度待提升。未來，研究人員擬結(jié)合生成對(duì)抗網(wǎng)絡(luò)擴(kuò)充數(shù)據(jù)，探索輕量級(jí)模型優(yōu)化效率，融入語義理解提升跨領(lǐng)域識(shí)別能力。

參考文獻(xiàn)：

[1] 朱鴻展. 融合手勢與語音的多通道標(biāo)繪交互技術(shù)研究[D]. 長沙： 國防科學(xué)技術(shù)大學(xué)， 2014.

ZHU H Z. Research on multi-channel plotting interaction technology integrating gesture and voice[D]. Changsha： National University of Defense Technology， 2014.

[2] 佘鵬， 甘健侯， 文斌， 等. 經(jīng)典深度卷積神經(jīng)網(wǎng)絡(luò)模型在手繪草圖識(shí)別中的應(yīng)用研究[J]. 云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 38（1）： 29-34.

SHE P， GAN J H， WEN B， et al. Sketch recognition using classic deep convolutional neural network model[J]. Journal of Yunnan Normal University（Natural Sciences Edition）， 2018， 38（1）： 29-34.

[3] LI F F， FERGUS R， PERONA P. One-shot learning of object categories[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2006， 28（4）： 594-611.

[4] 印桂生， 嚴(yán)雪， 王宇華， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的手繪草圖識(shí)別[J]. 吉林大學(xué)學(xué)報(bào)（信息科學(xué)版）， 2019， 37（4）： 417-425.

YIN G S， YAN X， WANG Y H， et al. Sketch recognition based on convolution neural network[J]. Journal of Jilin University（Information Science Edition）， 2019， 37（4）： 417-425.

[5] 趙鵬， 劉楊， 劉慧婷， 等. 基于深度卷積-遞歸神經(jīng)網(wǎng)絡(luò)的手繪草圖識(shí)別方法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)， 2018， 30（2）： 217-224.

ZHAO P， LIU Y， LIU H T， et al.A sketch recognition method based on deep convolutional-recurrent neural network[J]. Journal of Computer Aided Design amp; Computer Graphics， 2018， 30（2）： 217-224.

[6] 鄭新濤， 蘇道玉. 基于小波矩的智能手繪草圖識(shí)別系統(tǒng)設(shè)計(jì)[J]. 現(xiàn)代電子技術(shù)， 2021， 44（12）： 177-181.

ZHENG X T， SU D Y. Design of intelligent sketch recognition system based on wavelet moment[J]. Modern Electronics Technique， 2021， 44（12）： 177-181.

[7] 李鴻雁， 蘇庭波. 基于貝葉斯網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的手繪草圖識(shí)別方法[J]. 西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2019， 44（9）： 96-102.

LI H Y， SU T B. Sketch recognition with Bayesian network and convolution neural network[J]. Journal of Southwest China Normal University（Natural Science Edition）， 2019， 44（9）： 96-102.

（責(zé)任編輯：張培培）