الأسس الخطية العميقة لتحويل هوف

العمل الكلاسيكي في اكتشاف القطع الخطية يعتمد على المعرفة؛ حيث يستخدم مبادئ هندسية مصممة بعناية باستخدام إما تدرجات الصورة، أو مجموعات البكسل، أو نسخ مختلفة من تحويل هاوج (Hough transform). بدلاً من ذلك، تقوم الطرق الحالية المستندة إلى التعلم العميق بالتخلص من جميع المعرفة السابقة وتعويض المبادئ بالتدريب على قواعد بيانات كبيرة تم تسميتها يدويًا. هنا، نقلل من الاعتماد على البيانات الموسومة من خلال بناء المبادئ القائمة على المعرفة الكلاسيكية مع استخدام الشبكات العميقة لتعلم الخصائص. نضيف مبادئ الخطوط من خلال إدخال كتلة تحويل هاوج القابلة للتدريب في شبكة عميقة. يوفر تحويل هاوج المعرفة السابقة حول التمثيلات العالمية للخطوط، بينما يمكن لطبقات التحويل الإقليدي (convolutional layers) تعلم خصائص الخطوط المحلية المشابهة للتدرجات. على قاعدة بيانات وايرفريم (ShanghaiTech) ومجموعة بيانات يورك أوربان، نظهر أن إضافة المعرفة السابقة تحسن كفاءة البيانات حيث لم تعد مبادئ الخطوط بحاجة إلى التعلم من البيانات.كلمات مفتاحية: تحويل هاوج (Hough transform)؛ المبدأ العالمي للخط (global line prior)، اكتشاف القطع الخطية (line segment detection).