学习吸引场表示以实现鲁棒线段检测
计算机视觉与模式识别
2019-03-07 v2
摘要
本文提出一种基于区域划分的线段图吸引场对偶表示，从而将线段检测（LSD）问题转化为区域着色问题。后者随后通过深度学习卷积神经网络（ConvNets）以解决，从而实现准确性、鲁棒性与高效性。对于 2D 线段图，我们的对偶表示由三部分组成：(i) 区域划分图，其中每个像素被分配至唯一一个线段；(ii) 吸引场图，其中划分区域内每个像素由其相对于关联线段的 2D 投影向量编码；(iii) 压缩模块，将吸引场压缩为几乎完美恢复输入线段图的线段图。借助该对偶性，我们学习 ConvNets 为原始输入图像计算吸引场图，随后由压缩模块以端到端方式完成 LSD。我们的方法严格应对 LSD 中的若干挑战，如局部歧义与类别不平衡。我们的方法还利用了基于 ConvNets 的语义分割方法中的最佳实践，如编码器-解码器架构与空洞卷积。实验中，我们的方法在 WireFrame 数据集与 YorkUrban 数据集上测试，取得了最先进的性能。尤其在 WireFrame 数据集上我们将性能提升了 4.5 个百分点。我们的方法亦很快，达 6.6~10.4 FPS，优于大多数现有线段检测器。
引用
@article{arxiv.1812.02122,
title = {Learning Attraction Field Representation for Robust Line Segment Detection},
author = {Nan Xue and Song Bai and Fudong Wang and Gui-Song Xia and Tianfu Wu and Liangpei Zhang},
journal= {arXiv preprint arXiv:1812.02122},
year = {2019}
}
备注
Accepted by CVPR 2019