LS-Net：快速单次扫描线段检测器
本文介绍了一种快速、高精度的基于 CNN 的线段检测器 LSDNet，通过将一个轻量级 CNN 与传统的 LSD 检测器相结合，实现了对线段热点图和切线场构造的第一步的替代；在标准的线框图数据集上，与几种现代线段检测器相比，LSDNet 的处理速度最高为 214FPS，精度为 78Fh，优于其他基于 CNN 的检测器；作者指出了现有标准线段检测基准中标注的系统不一致性，并重新注释了其中的一些图像，证明新的注释可以更好地解释正确线段检测的概念，并且我们提出的检测器在这些更新的标注下的准确性优于其他检测器，而且速度最快。
Sep, 2022
本文提出了一种新的基于底层建筑方法的一阶段和无锚点飞机检测模型 X-LineNet，该模型能够同时提供多种检测结果的表示形式：水平边界框、旋转边界框和五边形蒙版，实验表明，在飞机检测领域中，X-LineNet 在两个公开数据集上的表现优于最先进的单阶段物体检测器，并与先进的双阶段检测器具有竞争力。
Jul, 2019
该论文提出了一种用于航空图像中的电力线检测的语义分割算法 DUFormer，该算法采用具有强归纳偏差的卷积神经网络，以及一个重量级令牌编码器，负责重叠特征再挖掘和标记化，结果显示该算法在公开可用的 TTPLA 数据集上的电力线分割任务中达到了最先进水平的表现。
Apr, 2023
本文提出了一种基于深度学习的车道检测方法，名为 LaneNet，其将车道检测分为车道边界提议和车道线定位两个步骤，以检测车道线为目标，具有较高的运行速度和低计算成本，得到了出色的表现.
Jul, 2018
本文提出了一种用于资源受限环境下的轻量级、实时的线段检测器 Mobile LSD (简称 M-LSD)，通过设计高效的 LSD 模型结构和新颖的训练策略，使得该模型在手机设备上可以实现有竞争力的性能，其模型大小为现有方法的 2.5％，推理速度提高了 130.5％。此外，该模型可以在最新的 Android 和 iPhone 手机设备上以超过 48fps 的速度运行。
Jun, 2021
DeepLSD 是一种结合了深度网络和传统手工设计的边缘检测器，能够在不需要真实边线作为训练数据的情况下进行自适应训练，并且通过优化吸引力场和消失点提高了检测的精度。
Dec, 2022
本研究提出了一种新型的深度卷积模型 TP-LSD，采用三点表示法用于图像线段检测，并通过定义新的评估指标以 Wireframe 和 YorkUrban 数据集为基础，验证其运行速度高达每秒 78 帧，具有竞争性的准确性和结构先验。
Sep, 2020
基于线特征的 LiDAR 点云点云配准方法通过 EdgeConv 标记线特征，并使用共享编码器层来训练两个分割和描述头，该方法在无初始变换输入的情况下验证了自己的有效性，对于各种计算机视觉任务具有广泛的应用价值。
Aug, 2022
通过改进的随机 Hough 变换技术，我们通过线性特征和空间分布来解决 UAV 图像中传输线路的检测准确度低和误报率高的问题，通过使用 Hessian 矩阵进行初始预处理和边界搜索和像素行分割来与背景进行区分，我们成功减少了误报和漏检，从而提高了传输线路识别的准确性。实验证明，与传统和随机 Hough 变换方法相比，我们的方法不仅处理图像更迅速，而且检测结果更好。
Feb, 2024