DSeg: 直线段检测
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
本文提出了一种基于 level-line guided edge drawing 技术的线段检测算法,利用统一垂直于梯度方向的级线信息辅助直线拟合,提高了检测效率和稳健性,在大量实验中展现了优越性能。
May, 2023
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
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
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
综述了关于二维图像线段的检测和描述的研究,提出了两个线段检测和描述的分类,并分析和总结了现有的方法的关键问题、核心思想、优缺点以及其潜在的应用,同时评估了一些最新的线段检测和描述算法,以指导研究人员选择最佳的方法进行视觉应用。
Apr, 2023
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
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
该研究提出一种新的方法,使用简单的图形表示法描述交点、线段和它们之间的关系,并使用 PPGNet 卷积神经网络从图像中提取线段图。经过对 York Urban 和 Wireframe 数据集的测试表明,该方法具有较好的性能,并可以推广到所有测试数据集中。
May, 2019