DT-LSD: اكتشاف القطع الخطية باستخدام المحول القابل للتشويه

اكتشاف القطع الخطية هو مهمة أساسية على مستوى منخفض في رؤية الحاسوب، وتحسينات在这项任务中可以影响依赖它的更高级方法。大多数为发现线段而开发的新方法都是基于卷积神经网络（CNNs）的。我们的论文旨在解决阻碍基于变压器的方法在发现线段任务中更广泛采用的挑战。具体来说，我们介绍了一种新的模型，称为可变形变压器基线段检测器（DT-LSD），该模型支持跨尺度交互并且可以快速训练。这项工作提出了一种新型的可变形变压器基线段检测器（DT-LSD），解决了LETR的缺点。为了加快训练速度，我们引入了线对比去噪（LCDN）技术，该技术稳定了一对一匹配过程并使训练速度提高了34倍。我们证明了DT-LSD比其前身基于变压器的模型（LETR）更快、更准确，并且在准确性方面优于所有基于CNN的模型。在Wireframe数据集中，DT-LSD在$sAP^{10}$上达到了71.7，在$sAP^{15}$上达到了73.9；而在YorkUrban数据集中，则分别达到了33.2和35.1。请注意，以下是根据您的要求进行优化后的翻译：اكتشاف القطع الخطية هو مهمة أساسية على المستوى المنخفض في رؤية الحاسوب، وتحسينات في هذه المهمة يمكن أن تؤثر على الطرق المتقدمة التي تعتمد عليها. معظم الطرق الجديدة التي تم تطويرها لاكتشاف القطع الخطية تستند إلى شبكات العصبونات التلافيفية (CNNs). يهدف بحثنا إلى معالجة التحديات التي تحول دون اعتماد أوسع للطرق المستندة إلى المحولات (Transformers) لاكتشاف القطع الخطية. وبشكل أكثر تحديدًا، نقدم نموذجًا جديدًا يُسمى DT-LSD (Deformable Transformer-based Line Segment Detection)، وهو يدعم التفاعلات عبر المقاييس ويتدرب بسرعة. تقترح هذه الدراسة DT-LSD (Deformable Transformer-based Line Segment Detector) الجديد الذي يعالج عيوب LETR. لتسريع عملية التدريب، قدمنا تقنية LCDN (Line Contrastive DeNoising)، وهي تثبيت عملية التطابق واحد لواحد وتسرع التدريب بمعدل 34 مرة. أظهرنا أن DT-LSD أسرع وأكثر دقة من نموذجه السابق المستند إلى المحولات (LETR) وأنه يتفوق على جميع النماذج المستندة إلى CNNs من حيث الدقة. في مجموعة بيانات Wireframe، حقق DT-LSD نسبة 71.7 لـ $sAP^{10}$ ونسبة 73.9 لـ $sAP^{15}$؛ بينما حقق نسبة 33.2 لـ $sAP^{10}$ ونسبة 35.1 لـ $sAP^{15}$ في مجموعة بيانات YorkUrban.希望这段翻译符合您的要求。如果有任何进一步的问题或需要调整的地方，请随时告知我。