Sketch recognition is the task of converting hand-drawn digital ink into symbolic computer representations. Since the early days of sketch recognition, the bulk of the work in the domain has focused on building accurate recognition algorithms for specific domains, and well defined databases. These lines of work adopt traditional machine learning approaches. They assume the presence of a fixed set of symbol classes, and availability plenty of annotated examples per class. However, in practice, these assumptions do not hold. In reality, the designer of a sketch recognition system starts with no labeled data at all, and faces the burden of data annotation. In this work, we propose to alleviate the burden of annotation by building systems that can learn from very few labeled examples, and large amounts of unlabeled data. Our systems perform self-learning by automatically extending a very small set of labeled examples with new examples extracted from unlabeled sketches. The end result is a sufficiently large set of labeled training data, which can subsequently be used to train classifiers. We present four self-learning methods with varying levels of implementation difficulty and runtime complexities. One of these methods leverages contextual co-occurrence patterns to build verifiably more diverse set of training instances. Rigorous experiments with large sets of data demonstrate that this novel approach based on exploiting contextual information leads to significant leaps in recognition performance.

Çizim tanımanın ilgilendiği alan el ile çizilen dijital mürekkepleri sembolik bilgisayar ifadelerine çevirmektir. Çizim tanımanın ilk günlerinden beri alandaki çalışmaların çok büyük bir bölümü belirli ve iyi tanımlanmış veri tabanları için isabetli tanıyıcı modellerini geliştirmek üzerine odaklanmıştır. Bu gibi çalışmalar geleneksel makine öğrenmesi yaklaşımlarını kullanmaktadır. Bu yaklaşımlarda, önceden belirlenmiş sınıfların ve her sınıf için çokça etiketli örneğin bulunduğu varsayılır. Fakat pratikte bu varsayımların karşılanması güçtür. Gerçekte bir çizim tanıma sistemini geliştiren tasarımcının elinde hiç bir etiketli veri yoktur ve veri etiketleme külfeti ile karşı karşıyadır. Bu çalışmada etiketleme külfetini hafifletmek amacı ile geliştirilen, az sayıda etiketli ve çok sayıda etiketsiz veri kullanarak eğitilen sistemler sunmaktayız. Sunduğumuz sistemler çok küçük boyuttaki etiketlenmiş örnek kümesini öz-öğrenme yöntemleri ile etiketsiz örnekler arasından yeni örnekleri etiketleyerek otomatik olarak genişletmeyi hedefler. Otonom etiketlemenin sonucunda yeterli boyutta etiketli eğitim verisi ortaya çıkar ve bu veriler ile sınıflandırıcılar eğitilebilir. Bu çalışmada uygulaması ve çalışma zamanı karmaşıklığı birbirinden farklı dört öz-öğrenme yöntemi sunulmuştur. Sunulan yöntemlerden biri içeriksel eşdizimli örüntüleri kullanarak, tasdik edilebilir düzeyde daha çeşitli örnekler içeren eğitim örnek kümeleri elde etmektedir. Büyük veri setleri ile yürütülen titiz deneyler sonucu, sunulan içeriksel tabanlı özgün yöntemin tanıma performansını önemli ölçüde yükselttiği gözlemlenmiş ve raporlanmıştır.