关于直线性质在计算机视觉中的迁移

直线性是人类大脑中一种视觉感知现象，放大沿直线排列的空间对齐边缘。然而，人类可能持有此原理的具体目的尚不明确，而将其用于计算机视觉和工程应用甚至是 largely 未探索的领域。在本工作中，我们的目标是将直线性原理迁移到计算机视觉，并探索该新原理在计算机视觉应用中的潜在用途。我们开发了一个原型模型来示例该原理，然后系统地对其进行测试和基准测试，涵盖四个用例。我们的用例旨在覆盖广泛的潜在应用和场景：将直线性与深度学习结合（案例 I 和 II），将直线性与显著性模型结合（案例 II），作为特征检测器（案例 I）。在第一个用例中，我们发现直线性能够改善晶圆瑕疵检测，性能提升约为 1.24 倍（错误率从 6.5% 降至 5.26%）。在第二个用例中，我们对纳米材料的缺陷识别进行测试，通过直线性实现性能提升 3.2 倍（深度学习，错误率从 21.65% 降至 6.64%），并探索显著性模型。第三个实验涵盖遮挡情况；第四个实验测试 ImageNet，发现其对 ImageNet 的帮助有限。因此，我们整理出直线性有益的场景列表（晶圆、纳米材料、遮挡），以及不利的场景（ImageNet）。因此，我们推断直线性可能适用于行业应用，因为如果感兴趣的图像结构是人造的，则它们常常由直线构成。我们的工作为计算机视觉提供了另一把工具，希望能捕捉人类处理的力量。