Sep, 2022

LSDNet: 可训练的 LSD 算法实时直线段检测修改

PDF
TL;DR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。
line segment detectionconvolutional neural networkslsdnetaccuracyannotations
发现论文，激发创造
  • 实时、轻量级的线段检测

    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

  • TP-LSD：基于三点的线段检测器

    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: 使用深度图像梯度进行线段检测和细化

    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

  • LS-Net：快速单次扫描线段检测器

    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

  • LSDA：大规模适应检测

    本文提出了一种名为 LSDA 的算法，可以从分类图像数据中自动学习分类器以实现目标检测任务，使得即使没有边界框注释数据的成千上万个目标类别也有可能被检测出来，并在 ImageNet 数据集上进行了评估。

    Jul, 2014

  • 学习吸引力场表示以实现稳健的线段检测

    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

  • ELSED：增强型直线段绘图

    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

  • 高效直线段检测器和描述器 ELSD

    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

  • 基于 FPGA 的 LiDAR 数据处理实现实时道路分割

    本研究提出了一种基于 FPGA 的卷积神经网络 (CNN) 设计，用于实时处理激光雷达数据的道路分割算法。通过在 LiDAR 传感器数据上训练神经网络模型，本文实现了高效的硬件设计，并成功实现每个 LiDAR 扫描的实时处理，实现了道路分割的高精度。

    Nov, 2017

  • LaneNet：自动驾驶实时车道检测网络

    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