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

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

本文章提出了一种名为 “高效线段检测和描述器（ELSD）” 的模型，它可以同时在图像中检测出线段并提取其描述符，利用共享特征提取器在实时中提供线特征以进行 SLAM 和图像匹配等高级任务。ELSD 在准确性和效率方面均优于以前的作品，并在线匹配任务中表现出更好的线描述能力。

Apr, 2021

本文介绍了 LS-Net 单次拍摄行段检测器，将其应用于无人机的输电线路检测中，该方法不仅快速准确，而且通过物理渲染技术生成的合成图像进行数据增强，使其在自主避障和自主飞行方面具有广泛的应用前景。

Dec, 2019

本文提出了一种名为 ELSED 的局部线段检测算法，通过局部线段生长算法对梯度对齐像素进行连接以提高检测效率，同时引入了新的指标衡量线段检测器的准确性和可重复性，在多项实验中证明了该方法的高效性和准确性。

Aug, 2021

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

本文介绍了一种适用于语义图像分割的轻型体系结构 LiteSeg , 该体系结构采用了深度可分离卷积技术和新型 Atrous Spatial Pyramid Pooling 模块，同时提高了计算效率和精度。使用 MobileNetV2 作为骨干网络时，LiteSeg 在 Cityscapes 数据集上以 $640 imes 360$ 分辨率，每秒处理 161 帧的速度，实现了 67.81% 的平均交集联合值。

Dec, 2019

本文提出基于区域划分的吸引场双重表示法来解决线段检测问题，并使用深度卷积神经网络进行学习，以提高准确性、鲁棒性和效率。该方法有效地解决线段检测中的各种挑战，并在 WireFrame 和 YorkUrban 数据集上取得了最先进的表现。

Dec, 2018

该论文提出了一种区域吸引力线段地图，将线段检测（LSD）问题视为区域着色问题，通过吸引力场地图（AFM）转换为线段地图，提出了一种端到端框架，借助压缩模块检测线段，并在线框数据集和约克城市数据集上进行了全面实验，证明方法的优越性。

Dec, 2019