基于匹配预测与重排序改进 Transformer 线段检测
计算机视觉与模式识别
2025-02-26 v1
摘要
经典的基于 Transformer 的线段检测方法已取得令人印象的成果。然而，我们注意到一些准确检测到的线段在预测过程中被赋予低置信度分数，导致其排名较低，可能被抑制。此外，这些模型通常需要较长的训练时间才能获得卓越的性能，这主要归因于需要进行二分匹配。本文引入了 RANK-LETR，一种新颖的基于 Transformer 的线段检测方法。我们的方法利用可学习的几何信息来细化对预测线段的排名，通过增强高质量预测在后验验证步骤中的置信度分数。我们还提出了一种新的线段提案方法，其中距离线段质心最近的特征点直接预测位置，显著提高了训练效率和稳定性。此外，我们引入了线段排序损失，以稳定训练期间的排序，从而增强了模型的泛化能力。实验结果表明，我们的方法在预测准确度上优于其他基于 Transformer 和基于 CNN 的方法，同时所需的训练周期也少于以前的基于 Transformer 的模型。
关键词
引用
@article{arxiv.2502.17766,
title = {Improving Transformer Based Line Segment Detection with Matched Predicting and Re-ranking},
author = {Xin Tong and Shi Peng and Baojie Tian and Yufei Guo and Xuhui Huang and Zhe Ma},
journal= {arXiv preprint arXiv:2502.17766},
year = {2025}
}