LSDNet：可训练的 LSD 算法改进用于实时线段检测
计算机视觉与模式识别
2022-09-13 v1
摘要
迄今为止，线段检测（LSD）的最佳精度由基于卷积神经网络（CNN）的算法取得。遗憾的是，这些方法使用深层、沉重的网络，且比传统的基于模型的检测器更慢。本文中，我们将轻量 CNN 嵌入经典 LSD 检测器，构建了准确且快速的基于 CNN 的检测器 LSDNet。具体而言，我们用轻量 CNN 替换原始 LSD 算法的第一步——从原始图像梯度构建线段热图与切向场，该 CNN 能够计算更复杂且丰富的特征。LSD 算法的第二部分仅作微小修改后使用。在标准 Wireframe 数据集上与若干现代线段检测器相比，所提 LSDNet 以 78 Fh 的具竞争力精度提供了最高速度（在基于 CNN 的检测器中）214 FPS。尽管最佳报道精度为 33 FPS 下的 83 Fh，我们推测所观察到的精度差距由标注错误引起，且实际差距显著更小。我们指出了流行线段检测基准 Wireframe 与 York Urban 标注中的系统性不一致，仔细重新标注了图像子集并表明：(i) 现有检测器在更新标注下无需重训练即质量提升，表明新标注与正确线段检测的概念更吻合；(ii) 我们的检测器与其他检测器间的精度差距缩小至可忽略的 0.2 Fh，且我们的方法最快。
引用
@article{arxiv.2209.04642,
title = {LSDNet: Trainable Modification of LSD Algorithm for Real-Time Line Segment Detection},
author = {Lev Teplyakov and Leonid Erlygin and Evgeny Shvets},
journal= {arXiv preprint arXiv:2209.04642},
year = {2022}
}