用于语义线检测的深度 Hough 变换
本研究介绍了一种创新方法，利用语义线检测和分类以及深度霍夫变换来识别语义线，从而通过理解平行线来确保合适的视野，进而评估摄像机的视野质量。
Jan, 2024
我们提出了一种基于深度 Hough 变换和动态卷积模块的网络架构，用于检测道路车道，通过在 Hough 参数空间中将车道特征结合起来并利用动态卷积模块有效区分车道特征，实验结果表明我们的方法在检测重度遮挡或磨损车道图像方面表现出了优异的性能。
Jul, 2023
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
本文介绍了一种基于快速霍夫变换层的新型神经网络架构，将其应用于处理文档图像中的消失点检测问题，并使用 MIDV-500 数据集证明其强大的泛化能力。
Sep, 2019
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
本文提出了第一种单一深度神经网络同时进行线段检测和描述。通过自我监控训练，我们的方法不需要任何注释的线标签，并且可以推广到任何数据集。在多视图数据集及实际应用中，本方法相较以往的线条检测与描述算法拥有更高的稳定性和匹配度，是向学习特征点方法迈出的第一步。
Apr, 2021
通过考虑图像灰度的三维表示作为统计分布的有限混合模型，本文旨在检测图像中的线性结构。采用背景减法和基于 Hessian 的参数初始化方案的期望最大化算法，提供了对线性结构的准确性检测，尽管图像背景不规则且存在模糊和噪声。
Apr, 2024
该研究提出了一种基于模型驱动的方法来检测图像线段，通过使用线性卡尔曼滤波器逐步在梯度图像上检测线段，并估计其支持线参数及其相关方差。该算法在处理图像噪声和光照变化方面表现出色，可以检测到比数据驱动方法更长的线段，并且无需繁琐的参数调整。此外，还提出了一种扩展算法，利用金字塔方法来提高结果的质量。通过与经典方法的对比以及在不同场景光照下的测试，证明了该方法的有效性。
Nov, 2023
本文提出了一种基于深度点集网络和 Hough 投票的端到端三维物体检测网络 VoteNet，通过纯几何信息在两个大型真实三维扫描数据集 ScanNet 和 SUN RGB-D 上实现了最先进的三维检测，且模型设计简单，模型大小小，效率高，并且不依赖于颜色图像。
Apr, 2019