LSDNet: تعديل قابل للتدريب لخوارزمية LSD لاكتشاف القطع الخطية في الوقت الحقيقي

حتى اليوم، أفضل دقة في اكتشاف القطع الخطية (LSD) تتحقق بواسطة خوارزميات تعتمد على الشبكات العصبية التلافيفية - CNNs. للأسف، هذه الطرق تستفيد من شبكات عميقة وثقيلة وهي أبطأ من الكاشفات التقليدية القائمة على النماذج. في هذا البحث، نقوم ببناء كاشف قائم على الشبكات العصبية التلافيفية دقيق ومعتدل السرعة، وهو LSDNet، وذلك من خلال دمج شبكة عصبية تلافيفية خفيفة الوزن في كاشف LSD الكلاسيكي. تحديداً، نستبدل الخطوة الأولى من خوارزمية LSD الأصلية - بناء الخريطة الحرارية للقطع الخطية ومجال المماسات من التدرجات الأولية للصورة - بشبكة عصبية تلافيفية خفيفة الوزن، والتي يمكنها حساب ميزات أكثر تعقيدًا وثراءً. يتم استخدام الجزء الثاني من خوارزمية LSD مع تعديلات طفيفة فقط. عند مقارنتها بعدة كاشفات حديثة لقطع الخطوط على مجموعة البيانات القياسية Wireframe، توفر LSDNet المقترحة أعلى سرعة (بين الكاشفات القائمة على الشبكات العصبية التلافيفية) تبلغ 214 إطارًا في الثانية مع دقة تنافسية تبلغ 78 Fh. رغم أن الدقة الأفضل المبلغ عنها هي 83 Fh بسرعة 33 إطارًا في الثانية، فإننا نفترض أن الفجوة في الدقة الملاحظة تنتج عن أخطاء في التسميات وأن الفجوة الحقيقية أقل بكثير. نشير إلى عدم التجانس النظامي في تسميات مقاييس الاختبار الشهيرة لاكتشاف الخطوط - Wireframe و York Urban - ونعيد تسمية مجموعة فرعية من الصور بعناية ونبين أن (i) جودة الكاشفات الموجودة قد تحسنت على التسميات المحدثة دون إعادة التدريب، مما يقترح أن التسميات الجديدة تتراصف بشكل أفضل مع مفهوم اكتشاف القطع الخطية الصحيح؛ (ii) تتقلص الفجوة بين دقة كاشفنا والكاشفات الأخرى إلى نسبة ضئيلة تبلغ 0.2 Fh ، مع كون طريقتنا الأسرع.