用于语义线检测的深层霍夫变换
计算机视觉与模式识别
2021-05-04 v4
摘要
我们关注自然场景中检测有意义线结构(即语义线)这一基本任务。许多先前方法将该问题视为目标检测的特殊情况,并调整现有目标检测器用于语义线检测。然而,这些方法忽略了线固有的特性,导致次优性能。线比复杂目标具有简单得多的几何属性,因此可由少量参数紧凑参数化。为更好地利用线的属性,本文中我们将经典霍夫变换技术融入深度学习的表示中,并提出一种用于线检测的一次性端到端学习框架。通过用斜率和偏置参数化线,我们执行霍夫变换将深度表示转换到参数域,在其中进行线检测。具体而言,我们在特征图平面上沿候选线聚合特征,然后将聚合特征分配到参数域中的对应位置。因此,空间域中语义线检测问题被转化为在参数域中定位孤立点,使得后处理步骤(即非极大抑制)更高效。此外,我们的方法便于提取上下文线特征(例如靠近特定线的沿线特征),这对精确线检测至关重要。除所提方法外,我们设计了一种评估度量以评价线检测质量,并构建了用于线检测任务的大规模数据集。在我们提出的数据集和另一公开数据集上的实验结果展示了本方法相对于先前最先进替代方法的优势。
引用
@article{arxiv.2003.04676,
title = {Deep Hough Transform for Semantic Line Detection},
author = {Kai Zhao and Qi Han and Chang-Bin Zhang and Jun Xu and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:2003.04676},
year = {2021}
}
备注
https://github.com/Hanqer/deep-hough-transform