推出 Kaggle“Quick, Draw!”涂鸦识别挑战赛

lixia01

在线手写识别包括识别自由格式手写输入中的结构化模式。虽然 Google 产品（如Translate、Keep 和Handwriting Input）使用这项技术来识别手写文本，但它适用于任何具有足够训练数据的预定义模式。让您将手写文本数字化的相同技术还可用于提高您的绘画能力和构建虚拟世界，并且代表了一个令人兴奋的研究方向，即探索手写作为人机交互模式的潜力。例如，“ Quick, Draw! ”游戏生成了一个包含 5000 万幅绘画的数据集（总共有10 亿多幅绘画），这本身就启发了许多不同的新项目。
为了鼓励在这个令人兴奋的领域进一步研究，我们推出了Kaggle“Quick, Draw!”涂鸦识别挑战赛，要求参与者为现有的“Quick, Draw!”数据集构建更好的机器学习分类器。重要的是，由于训练数据来自游戏本身（其中绘画可能不完整或可能与标签不匹配），因此这项挑战需要开发一个分类器，该分类器可以有效地从嘈杂的数据中学习，并在来自不同分布的手动标记测试集上表现良好。
数据集
在原始的“Quick, Draw!”游戏中，提示玩家绘制某个类别（狗、牛、汽车等）的图像。然后玩家有 20 秒的时间来完成绘画 - 如果计算机在这段时间内正确识别绘画，玩家将获得一分。每个游戏由 6 个随机选择的类别组成。
由于游戏机制，Quick,Draw! 数据集中的标签分为以下类别：
正确：用户绘制了提示的类别，并且用户绘制完成后计算机才能正确识别。
正确但不完整：用户绘制了提示的类别，计算机在用户完成之前就正确识别了。不完整程度从几乎完成到只完成了所绘制类别的一小部分不等。这在标记为正确识别的图像中可能相当常见。
正确，但无法正确识别：玩家画出了正确的类别，但 AI 始终无法识别。有些玩家对此的反应是添加更多细节。其他玩家会删除并重试。
错误：一些玩家在看到一个单词时会在脑海中产生不同的概念 - 例如在跷跷板类别中，我们观察到了许多锯子的图画。
除了上面描述的标签之外，每幅画都以笔画序列的形式给出，其中每个笔画都是触摸点序列。虽然这些可以轻松地呈现为图像，但使用笔画的顺序和方向通常有助于提高手写识别器的性能。
开始使用
我们之前发布了一个使用此数据集的教程，现在我们邀请社区在此方法或其他方法的基础上进行构建，以实现更高的准确性。您可以先访问挑战网站并浏览现有内核，这些内核可让您分析数据并将其可视化。我们期待了解社区为比赛提出的方法，以及您可以在多大程度上改进我们最初的生产模型。
致谢
我们要感谢所有与我们合作的人，特别是创意实验室团队的 Jonas Jongejan 和 Brenda Fogg、Kaggle 团队的 Julia Elliott 和 Walter Reade，以及手写识别团队。