Mar, 2024

TGGLinesPlus: 鲁棒的拓扑图引导计算机视觉线条检测算法

PDF
TL;DR图像处理、计算机视觉和机器智能等领域中的一种经典而重要的问题是线条检测。在本文中，我们提出并实现了一个名为 TGGLinesPlus 的拓扑图导向算法，用于线条检测。我们的实验证明了 TGGLinesPlus 算法的灵活性，并与其他经典和最新的线条检测方法进行了基准测试，结果显示了 TGGLinesPlus 的稳健性。我们希望我们开源的 TGGLinesPlus 实现能够激发和为许多关于空间科学的应用铺平道路。
发现论文，激发创造
  • PPGNet: 学习点对图以进行线段检测

    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

  • 基于水平线指导的边缘绘制方法用于鲁棒的线段检测

    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

  • GlueStick: 基于点线粘合的鲁棒图像匹配

    本文提出一种新的匹配模式，将点、线及其描述符统一成一个单独的框架结构，并提出 GlueStick，一种深度匹配图神经网络，以便从不同的图像中取出两个线框并利用节点之间的连接信息更好地将它们粘合在一起。我们证明了这种匹配策略可以优于当前最先进的独立匹配线段和点的方法，适用于各种数据集和任务。

    Apr, 2023

  • 线条图形数字化：迈向完全自动化的一步

    本文提出了一个细粒度数学图形的视觉理解任务，提供了 Line Graphics 数据集并测试了七种不同的计算机视觉模型来支持此任务，可应用于语义分割和对象检测。

    Jul, 2023

  • 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

  • DSeg: 直线段检测

    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

  • 拓扑图神经网络

    TOGL 是一种新颖的层，它将一个图的全局拓扑信息与持久同调结合，可轻松集成到任何类型的 GNN 中，在合成和真实数据集上的分类任务中表现出更好的预测性能。

    Feb, 2021

  • 图像线段检测与描述的全面综述：分类、比较与挑战

    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

  • YOLinO: 通用单次射线检测实时

    利用单镜头物体检测的思想，通过将折线检测问题重新定义为由小线段的自下而上组合来检测，从而在单个头中检测有界的、虚线的和连续的多种折线，方法适用于几乎所有对检测折线形状有任何限制的实时应用，同时可以检测分叉或交叉的折线，并在道路标记、车道边界和中央线检测等三种不同应用程序上进行了评估，以展示其在不同领域的推广能力和隐式和显式折线检测任务。

    Mar, 2021

  • 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