@Author ZeYuan MA
在这篇文章中，我们在已有的一些技术基础之上优化并提出了一种把设计手稿(鞋厂设计师手绘的用于三维建模的手绘稿)中的线条分割为矢量(vectorized)的方法。做这个研究的动机有以下几条：
- 线条的提取效率其实是很容易因为图像的质量问题而被影响。举个例子，如果一张图像中的线条很密集，那么传统的一些算法分离出来的结果就会丧失原本绘图者的语义。这个语义，其实就是那些像素其实属于同一条path。
- 现有的一些技术手段没有考虑图像中重叠的部分归属于哪条path的问题。
- 即使是最新的形如Semantic Segmentation for Line Drawing Vectorization Using Neural Networks的研究，也忽视了一些论证问题以及优化。
先上图，看看想要达到的效果：
我们的方案是将线条的分割问题总体上当作一个labelling问题。给定一张图片，那么所有的像素组成的集合 P 会被预先设定的一些label集合 L 中的某个 l 标记，那么我们参考一些经典的能量函数，定义两个标准分别来衡量单一像素的标记是否正确和任意相邻像素是否相似这两个指标。其实术语上就是data term 和 smooth term。 我们要优化的能量函数就是这样的一个式子:
优化上图公式的办法是将一张照片构建成一幅无向图 然后根据图割中的
这么说很模糊，下面就说一下我们整个方案的流程: 第一步，训练path net，我们拿一张照片的灰度图作为一个channel，然后这张照片的某一个像素点作为一个channel，所以input就是224·224·2，经过二十个神经网络单元（CNN+BN+ReLU）得到一个输出为224·224·1。 这个矩阵是灰度图上每个像素和我们选定的这个像素的相似度，作为有监督学习，我们会从数据集中先构建好label。 第二步，训练overlapnet，这个网络的输入就是一张照片的灰度图224·224，经过同样的网络架构最后外加一个Sigmoid层+Threshold，输出则是224·224的矩阵，其中不为零的点是网络预测的发生重叠的区域。这也是一个有监督学习。 其实这两步的数据集的构建是我自己做的，根据一个开源的超级大的数据集。 简单来讲呢，有了第一个网络的输出，我们就有了公式中的后一项，有了第二个网络的输出呢，我们就可以构建一个完整的图网络，其中这些重复的点我们会在图网络中多构建一些节点，像这样： 
第三步也是最后一步，有了这两个网络，我们每次对一张照片，先随机分配标签，就可以根据图割的理论，把图的每条边的weight构建好，然后执行最小割，找到最优化的解。
PS: 我们做的优化主要是
- 减少标签池数目，使用一种启发式的分配标签的方式代替随机，可以有效减少后后面图割优化的次数。
- 改用RESNET来进行迁移学习，观察效果并对比。
- 找一个符合metric特性的相似度度量函数以便于使用expansion算法 原论文中没有论证他的函数可以用就直接用了
- 我们的应用场景是新的，附一张鞋稿:
A general statement of PathNet using a flowchart:
To get a quick start, just clone and run main.py.
To make contribution, you can make amove in two ways:
1.Contribute your data, Here we need sketches in 224*224 and .png form and its vectorical labels.
1.1 Concretely,you need to submit a png pic in 224*224, and you need to give us the vectorized path of this
picture, the form is like [[24,57,23],[17,90,100]] which meaans the stroke will pass (24,17) (57,90) (23,100)
these 3 coordinates.
1.2 If you want to sunmit this kiand of data, please make every piece as a whole csv file.
2.Contribute your idea about the cnn structure. you can change the pathnet.py and push it to me!