Quellen
Zentrale Papers und Datensaetze
Die folgende Liste ordnet die wichtigsten Quellen ein, die fuer DrawLa.app relevant sind: stroke-basierte Skizzenmodelle, Quick-Draw-Daten und Bausteine moderner CNN-Klassifikation.
-
A Neural Representation of Sketch Drawings
David Ha und Douglas Eck stellen Sketch-RNN vor: ein rekurrentes neuronales Netz, das Strichzeichnungen als Vektorsequenzen modelliert und neue Skizzen erzeugen kann. Wichtig fuer die RNN-Seite des Vergleichs.
-
The Quick, Draw! Dataset
Die Dokumentation des Google Creative Lab beschreibt Zugriff und Format des Quick-Draw-Datensatzes. Er bildet die gemeinsame Basis fuer viele Experimente mit Skizzen als Sequenzen oder Bilder.
-
Quick, Draw! von Google
Das interaktive Originalspiel zeigt den Anwendungskontext des Datensatzes: Menschen zeichnen unter Zeitdruck, eine KI raet live mit, und daraus entstehen neue Trainingsbeispiele fuer Forschung und Experimente.
-
QuickDraw Component & API
Das archivierte Google-Creative-Lab-Repository zeigt, wie einzelne Quick-Draw-Doodles per API geladen und mit einer Polymer/Lit-Web- Component auf ein Canvas gezeichnet oder animiert werden koennen.
-
Deep Residual Learning for Image Recognition
Das ResNet-Paper von He, Zhang, Ren und Sun fuehrte Skip-Connections als Standardbaustein tiefer CNNs ein. ResNet-artige Ideen sind fuer robuste bildbasierte Klassifikation zentral.
-
Batch Normalization
Ioffe und Szegedy beschreiben Batch Normalization als Methode, um das Training tiefer neuronaler Netze zu stabilisieren und zu beschleunigen. Sie ist ein typischer Baustein moderner CNN-Architekturen.
-
Sigmoid-Weighted Linear Units
Das Paper zu SiLU beschreibt eine glatte Aktivierungsfunktion, die in vielen Netzen als Alternative zu ReLU genutzt wird. Fuer leichte Klassifikationsmodelle ist die Wahl der Aktivierung ein relevanter Detailbaustein.
-
Searching for Activation Functions
Ramachandran, Zoph und Le fuehren Swish als automatisch gefundene Aktivierungsfunktion ein. Swish ist eng mit SiLU verwandt und gehoert zur Forschungslinie moderner Aktivierungen.
-
LiteRT und Google AI Edge
Mobile- und Edge-Neural-Models sind der praktische Deploy-Pfad fuer kleine Klassifikatoren. LiteRT ist Googles On-Device-Runtime fuer performante ML- und GenAI-Modelle auf Edge-Plattformen und steht in der Nachfolge von TensorFlow Lite.
-
Qualcomm GenieX
GenieX ist eine aktuelle On-Device-Inferenzruntime fuer Qualcomm- Geraete. Fuer DrawLa.app ist sie als Kontext interessant: Mobile Deep Networks laufen zunehmend lokal auf NPU, GPU oder CPU, nicht nur in der Cloud.