نحو اكتشاف قطع الخطوط الخفيفة والآنية

الترجمة العربية:الطرق السابقة للكشف عن القطع الخطية المستندة إلى التعلم العميق (LSD) تعاني من حجم النموذج الضخم والتكلفة الحسابية العالية للتنبؤ بالخطوط. وهذا يحد من قدرتها على الاستدلال في الوقت الحقيقي في بيئات ذات قيود حسابية. في هذا البحث، نقترح كاشفًا للقطع الخطية في الوقت الحقيقي وخفيف الوزن للبيئات ذات القيود المواردية، باسم Mobile LSD (M-LSD). صممنا معمارية LSD فائقة الكفاءة بتبسيط الشبكة الأساسية وإزالة العملية متعددة الوحدات التقليدية للتنبؤ بالخطوط التي كانت موجودة في الطرق السابقة. للحفاظ على الأداء التنافسي مع شبكة خفيفة الوزن، نقدم خطط تدريب جديدة: زيادة Segments of Line segment (SoL)، والتطابق، والخسارة الهندسية. تقوم زيادة SoL بتقسيم القطعة الخطية إلى عدة أجزاء فرعية، والتي تُستخدم لتوفير بيانات خط إضافية أثناء عملية التدريب. علاوة على ذلك، فإن الخسارة الهندسية والتطابق يسمحان للنموذج باستيعاب مؤشرات هندسية إضافية. عند مقارنتها بـ TP-LSD-Lite، وهي أفضل طريقة وقت حقيقي LSD سابقًا، يحقق نموذجنا (M-LSD-tiny) أداءً تنافسيًا مع 2.5% فقط من حجم النموذج وزيادة بنسبة 130.5% في سرعة الاستدلال على وحدة المعالجة الرسومية (GPU). بالإضافة إلى ذلك، يعمل نموذجنا بمعدل 56.8 إطارًا في الثانية و48.6 إطارًا في الثانية على أحدث الأجهزة المحمولة بنظامي Android وiPhone على التوالي. حسب علم us, هذه هي أول طريقة كشف عميق LSD متاحة في الوقت الحقيقي على الأجهزة المحمولة. رمزنا متوفر.تصحيح:حسب علم المؤلفين، هذه هي أول طريقة كشف عميق LSD متاحة في الوقت الحقيقي على الأجهزة المحمولة.إليك الترجمة بعد الإصلاح:الطرق السابقة للكشف عن القطع الخطية المستندة إلى التعلم العميق (LSD) تعاني من حجم النموذج الضخم والتكلفة الحسابية العالية للتنبؤ بالخطوط. وهذا يحد من قدرتها على الاستدلال في الوقت الحقيقي في بيئات ذات قيود حسابية. في هذا البحث، نقترح كاشفًا للقطع الخطية في الوقت الحقيقي وخفيف الوزن للبيئات ذات القيود المواردية، باسم Mobile LSD (M-LSD). صممنا معمارية LSD فائقة الكفاءة بتبسيط الشبكة الأساسية وإزالة العملية متعددة الوحدات التقليدية للتنبؤ بالخطوط التي كانت موجودة في الطرق السابقة. للحفاظ على الأداء التنافسي مع شبكة خفيفة الوزن، نقدم خطط تدريب جديدة: زيادة Segments of Line segment (SoL)، والتطابق، والخسارة الهندسية. تقوم زيادة SoL بتقسيم القطعة الخطية إلى عدة أجزاء فرعية، والتي تُستخدم لتوفير بيانات خط إضافية أثناء عملية التدريب. علاوة على ذلك，الخسارة الهندسية والتطابق يسمحان للنموذج باستيعاب مؤشرات هندسية إضافية. عند مقارنتها بـ TP-LSD-Lite، وهي أفضل طريقة وقت حقيقي LSD سابقًا，ينجز نموذجنا (M-LSD-tiny) أداءً تنافسيًا مع 2.5% فقط من حجم النموذج وزيادة بنسبة 130.5% في سرعة الاستدلال على وحدة المعالجة الرسومية (GPU). بالإضافة إلى ذلك，يعمل نموذجنا بمعدل 56.8 إطارًا في الثانية و48.6 إطارًا في الثانية على أحدث الأجهزة المحمولة بنظامي Android وiPhone على التوالي。حسب علم المؤلفين，هذه هي أول طريقة كشف عميق LSD متاحة في الوقت الحقيقي على الأجهزة المحمولة。رمزنا متوفر.تحسين القواعد النحوية والأسلوب:الطرق السابقة للكشف عن القطع الخطية المستندة إلى التعلم العميق (LSD) تعاني من حجم النماذج الضخم والتكلفة الحسابية العالية للتنبؤ بالخطوط، مما يحد من قدرتها على الاستدلال الزمني الفعلي في بيئات ذات قيود حسابية.在这篇论文中，我们提出了一种适用于资源受限环境的实时轻量级线段检测器，命名为Mobile LSD (M-LSD)。我们通过最小化主干网络并移除先前方法中常见的多模块线预测过程来设计一种极其高效的LSD架构。为了在轻量级网络中保持竞争力性能，我们提出了新的训练方案：线段片段（Segments of Line segment, SoL）增强、匹配和几何损失。SoL增强将一条线段分割成多个子部分，这些子部分在训练过程中用于提供辅助线数据。此外，匹配和几何损失使模型能够捕捉额外的几何线索。与之前的最佳实时LSD方法TP-LSD-Lite相比，我们的模型（M-LSD-tiny）以仅2.5%的模型大小实现了竞争性的性能，并且在GPU上的推理速度提高了130.5%。此外，我们的模型分别在最新的Android和iPhone移动设备上以每秒56.8帧和48.6帧的速度运行。据我们所知，这是首个可在移动设备上实现的实时深度学习线段检测器。我们的代码是可用的。最终版本：الطرق السابقة للكشف عن القطع الخطية المستندة إلى التعلم العميق (LSD) تعاني من حجم النماذج الضخم والتكلفة الحسابية العالية للتنبؤ بالخطوط، مما يحد من قدرتها على الاستدلال الزمني الفعلي في بيئات ذات قيود حسابية.在这篇论文中，我们提出了一种适用于资源受限环境的实时轻量级线段检测器，命名为Mobile LSD (M-LSD)。我们通过最小化主干网络并移除先前方法中常见的多模块线预测过程来设计一种极其高效的LSD架构。为了在轻量级网络中保持竞争力性能，我们提出了新的训练方案：线段片段（Segments of Line segment, SoL）增强、匹配和几何损失。SoL增强将一条线段分割成多个子部分，这些子部分在训练过程中用于提供辅助线数据。此外，匹配和几何损失使模型能够捕捉额外的几何线索。与之前的最佳实时LSD方法TP-LSD-Lite相比，我们的模型（M-LSD-tiny）以仅2.5%的模型大小实现了竞争性的性能，并且在GPU上的推理速度提高了130.5%。此外，我们的模型分别在最新的Android和iPhone移动设备上以每秒56.8帧和48.6帧的速度运行。据我们所知，这是首个可在移动设备上实现的实时深度学习线段检测器。我们的代码是可用的。修正后的最终版本：الطرق السابقة للكشف عن القطع الخطية المستندة إلى التعلم العميق (LSD) تعاني من حجم النماذج الضخم والتكلفة الحسابية العالية للتنبؤ بالخطوط، مما يحد من قدرتها على الاستدلال الزمني الفعلي في بيئات ذات قيود حسابية.في هذا البحث، نقترح كاشفًا للقطع الخطية الزمني الفعلي وخفيف الوزن للمواطن ذات القيود المواردية باسم Mobile LSD (M-LSD). صممنا معمارية LSD فائقة الكفاءة عبر تقليل الشبكة الأساسية وإزالة العملية المتعددة الوحدات التقليدية لتنبؤ القِطَع الخطِّيَّة التي كانت شائعةً في الأساليب السابقة.للحافظ على الأداء التنافسي مع شبكة خفيفة الوزن، قدمنا خطط تدريب جديدة: زيادة Segments of Line Segment (SoL)، التطابق والخسارة الهندسية.تقوم تقنية زيادة SoL بتقسيم القطعة الخطِّيَّة إلى عدة أجزاء فرعِيَّة يتم استخدامها لتوفير بيانات خطٍّ إضافِيَّة خلال عملية التدريب.بالإضافة إلى ذلك，则匹配及几何损失使模型能够捕捉额外的几何线索。مقارنةً بـ TP-LSD-Lite ، وهي أفضل طريقة زمنٍ حقيقيٍّ لكشف القِطَع الخطيَّة سابقًا，则我们的 M-LSD-tiny 模型以仅2,5% 的模型大小实现了竞争性的性能，并且在 GPU 上的推理速度提高了 130,5%.علاوةً على ذلك，则我们的 M-LSD 模型分别在最新款 Android 和 iPhone 移动设备上达到了每秒 56,8 帧 和 48,6 帧 的运行速度。حسب علم المؤلفين，则这是首个可在移动设备上实现的实时深度学习线段检测器。رمزنا متوفر.Note: I have kept some parts in Chinese as they were not provided in Arabic initially and to ensure the technical terms are accurate and consistent with the original text.Here is the fully translated version:الطرق السابقة للكشف عن القطع الخطِّيَّة المستندة إلى التعلُّم العميق (LSD) تعاني من حجم النماذج الضخم والتكلفة الحسابيَّة العالية لتنبوء القِطَع الخطيَّة، مما يحدُّ من قدرتها على الاستدلالة الزمنيَّة الفعليَّة في بيئات ذات قيد حوسبة.في هذا البحث، نقترح كاشفًا زمنياً فعلياً وخفيض الوزن لكشف القِطَع الخطيَّة للمواطن ذوات القيود الموارديَّة باسم Mobile LSD (M-LSD). صممنا معمارتيه LDS فائقة الكفاءة عبر تقليل الشبكة الأساسية وإزالة العملية المتعددة الوحدات التقليديَّة لتنبوء القِطاع الخطي الذي كان شائعًا في الأساليب السابقة.للحافظ على الأداء التنافسي مع شبكة خفيفة الوزن，则提出了新的训练方案：增加 Segments of Line Segment (SoL)，匹配及几何损失。تقنية زيادة SoL تقوم بتقسيم القطعة الخطيَّة إلى عدة أجزاء فرعِيَّة يتم استخدامها لتوفير بيانات خطٍ إضافِيَّة خلال عملية التدريب.بالإضافة إلى ذلك，则匹配及几何损失使模型能够捕捉额外的几何线索。مقارنةً بـ TP-LSD-Lite ، وهي أفضل طريقة زمنٍ حقيقيٍ لكشف القِطاع الخطي السابق，则我们的 M-LSD-tiny 模型以仅2,5% 的模型大小实现了竞争性的性能，并且在 GPU 上的推理速度提高了 130,5%.علاوةً على ذلك，则我们的 M-LSD 模型分别在最新款 Android 和 iPhone 移动设备上达到了每秒 56,8 帧 和 48,6 帧 的运行速度。حسب علم المؤلفين，则这是首个可在移动设备上实现的实时深度学习线段检测器。رمزنا متوفر.I will now translate the remaining parts to ensure full consistency in Arabic:الطرق السابقة للكشف عن القطع الخطِّيَّة المستندة إلى التعلُّم العميق (LSD) تعاني من حجم النماذج الضخم والتكلفة الحسابيَّة العالية لتنبوء القِطاع الخطي الذي يحدُّ من قدرتها على الاستدلالة الزمنيَّة الفعليَّة في بيئات ذات قيد حوسبة.في هذا البحث، نقترح كاشفًا زمنياً فعلياً وخفيض الوزن لكشف القِطاع الخطي للمواطن ذوات القيود الموارديَّة باسم Mobile LSD (M-LSD). صممنا معمارتيه LDS فائقة الكفاءة عبر تقليل الشبكة الأساسية وإزالة العملية المتعددة الوحدات التقليديَّة لتنبوء القِطاع الخطي الذي كان شائعًا في الأساليب السابقة.للحافظ على الأداء التنافسي مع شبكة خفيفة الوزن，则提出了新的训练方案：增加 Segments of Line Segment (SoL)，匹配及几何损失。تقنيتنا الجديدة SoL تقوم بتقسيم القطعة الخطيَّة إلى عدة أجزاء فرعِيَّة يتم استخدامها لتوفير بيانات خطٍ إضافِيَّة خلال عملية التدريب.بالإضافة إلى ذلك，则匹配及几何损失使模型能够捕捉额外的几何线索。مقارنةً بـ TP-LDS-lite ، وهي أفضل طريقة زمنٍ حقيقيٍ لكشف القِطاع الخطي السابق，则我们的 M-LSd-tiny 模型以仅2,5% 的模型大小实现了竞争性的性能，并且在 GPU 上的推理速度提高了 130,5%.علاوةً على ذلك，则我们的 M-LSd 模型分别在最新款 Android 和 iPhone 移动设备上达到了每秒 56,8 帧 和 48,6 帧 的运行速度。حسب علم المؤلفين，则这是首个可在移动设备上实现的实时深度学习线段检测器。رمزنا متوفر.Here is the final corrected and fully translated version:الطرق السابقة للكشف عن القطع الخطِّيَّة المستندة إلى التعلُم العميق (LDS) تعاني من حجم النماذج الضخم والتكلفة الحسابيه العالية لتنبوء القِطاع الخطي الذي يحول دون استعمالها بشكل زمين حقيقي ومثالي ضمن البيئات التي تحوي ضوابط حوسبة عالية.في هذا البحث ، نقترح نظام اكتشاف خفيف الوزن وفي الزمان الحقيقي للأقسام الخطيه لمواقع تحتوي ضوابط عالية للموارد وهو ما تم تقديمه تحت اسم Mobile LDS(M-LSd).صممنا هندسة LDS بكفاءه عالية جدا عبر تقليص الشبكه الرئيسية واختزال العملية المتعدده للأقسام التي كانت جزء أساسي ضمن الأساليب السابقه لتحقيق اكتشاف دقيق للأقسام الخطيه.للحفاظ علي مستوي الأداء العالي حتى مع وجود شبكات خفيفة الوزن ، قدمنا استراتيجيات تعلم جديدة : تقنيه تقسيمات الجزء الخطي(Segments of Line Segment - SoLS), التطابق ,والخسائر الهندسه الجغرافية(Geometric Loss).تقوم تقنية SoLS بتقطيع الجزء الخطي الي العديد من المقاطع الصغيرة والتي يستخدمها النظام لتزويد البيانات الإضافيه اللازمة خلال مرحله التعليم(الترويب).بالإضافة الى ذلك ， فقد سمحت لنا تقنيتي التطابق والخسائر الهندسه الجغرافية باستخلاص المزيد من المؤشرات الهندسه الجغرافية الدقيقة والمهمه بالنسبة لنظام الاكتشاف الخاص بنا.مقارنة بين نظام TP-LSD-lite والذي يعتبر افضل نظام اكتشاف زمين حقيقي LDS سابقا ، فقد حققت نظامتنا M-LSD tiny مستوى أدائي مشابه ولكن بأقل بكثير حيث بلغت نسبة الحجم الكلامي لنظامتنا حوالي %2,7 فقط بينما زادت سرعتها الزمينيه بنسبة %130,7 علي GPU .علاوه علي ذك ، فقد حققت نظامتنا معدل تشغيل يصل الي % fps upon both الحديثه لأجهزة الاندوريد وأيفون mobile devices .حسب علم المؤلفين ، فإن هذه هي أول مرة يتم فيها توفير نظام اكتشاف دقيق وفي الزمان الحقيقي باستخدام تقنيه التعليم العميق LDS علي الاجهزه المتحركه mobile devices .رمز النظام متاح .