A Deep Learning Framework for Virtual Drawing and Geometric Shape Prediction Using Convolutional Neural Networks
Notice bibliographique
Résumé
Hand gesture-based interaction provides a natural and effortless user experience to facilitate human-to-machine natural communication. This paper describes a deep learning approach for virtual drawing and geometric shape prediction based on computer vision and Convolutional Neural Networks (CNNs). The designed system combines real-time hand tracking, virtual canvas display, and a CNN-based classification model to identify user-drawn shapes through gestures. First, shapes on the virtual canvas are pre-processed—cropped, converted to grayscale, and resized-to provide consistent input for training. The CNN structure includes several convolutional and maxpooling layers, activated by ReLU and Softmax functions, to efficiently extract and classify shape features. The network is trained on a labeled training set of eight geometric shape classes, allowing it to learn subtle visual patterns. Training is accomplished by optimizing the network parameters via the backpropagation algorithm in order to reduce classification errors. Performance testing on an independent test set shows impressive results, where the model scores 98.37% accuracy. Important measures like precision and recall also support its efficacy. The learned model is integrated into a real-time virtual painting system, enabling users to draw and recognize freehand shapes without touch. The system enables applications in digital art, education, and gesture-based user interfaces, promoting humancomputer interaction. Future improvements can include multishape recognition, gesture-based color picking, and integration with augmented reality (AR) platforms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».