SymPoint 革新版：通过层特征增强提升全景符号检测性能
计算机视觉与模式识别
2024-07-03 v1
摘要
SymPoint 是最初尝试利用点集表示解决 CAD 图纸全景符号检测任务的方案。尽管取得了可观的成果，但其忽略了图形层信息，且训练收敛速度极慢。为解决此问题，我们提出 SymPoint-V2—a 个稳健且高效的解决方案，具备新颖且精简的设计，克服了上述局限。具体而言，我们首次提出层特征增强模块 (LFE)，用于编码图形层信息至原始特征中，从而显著提升性能。我们还设计了位置引导训练 (PGT) 方法以简化学习过程，该方法在模型早期阶段加速收敛，并进一步提升性能。大量实验表明，我们的模型在公开基准数据集上实现了优于前作 SymPoint 的更好性能和更快收敛速度。我们的代码和训练好的模型已提供于 https://github.com/nicehuster/SymPointV2。
引用
@article{arxiv.2407.01928,
title = {SymPoint Revolutionized: Boosting Panoptic Symbol Spotting with Layer Feature Enhancement},
author = {Wenlong Liu and Tianyu Yang and Qizhi Yu and Lei Zhang},
journal= {arXiv preprint arXiv:2407.01928},
year = {2024}
}
备注
code at https://github.com/nicehuster/SymPointV2