摘要
我们聚焦于自然场景中检测有意义线结构这一基础任务，即语义线（semantic line）的检测。以往许多方法将该问题视为目标检测的一个特例，并对现有的目标检测器进行调整以适应语义线检测。然而，这些方法忽略了线结构本身固有的几何特性，导致性能未能达到最优。相较于复杂物体，线结构具有更为简单的几何属性，因而能够仅用少量参数进行紧凑表示。为更充分地利用线的这一特性，本文将经典的霍夫变换（Hough transform）技术引入深度学习表征中，提出一种单次端到端的线检测学习框架。通过以斜率和截距参数化线段，我们执行霍夫变换，将深度特征映射至参数空间，在该空间中完成线检测。具体而言，我们在特征图平面上沿候选线路径聚合特征，并将聚合后的特征分配至参数空间中的对应位置。由此，空间域中检测语义线的问题被转化为参数空间中识别孤立点的问题，从而显著提升了后处理步骤（如非极大值抑制）的效率。此外，本方法还便于提取上下文线特征（例如，与某条特定线邻近的线的特征），而这些特征对于实现高精度的线检测至关重要。除所提出的算法外，我们还设计了一种新的评估指标以衡量线检测的质量，并构建了一个大规模数据集用于线检测任务。在所提出的自建数据集及另一公开数据集上的实验结果表明，本文方法在性能上显著优于现有最先进方法。