摘要
截至今日，线段检测（LSD）的最佳精度是由基于卷积神经网络（CNN）的算法实现的。不幸的是，这些方法使用了深层且复杂的网络，其速度慢于传统的基于模型的检测器。在本文中，我们通过将轻量级的CNN集成到经典的LSD检测器中，构建了一个既准确又快速的CNN基线段检测器——LSDNet。具体而言，我们将原始LSD算法的第一步——从原始图像梯度构建线段热图和切向场——替换为一个轻量级的CNN，该网络能够计算出更为复杂和丰富的特征。LSD算法的第二部分仅进行了微小的修改便得以保留。在标准Wireframe数据集上与几种现代线段检测器相比，所提出的LSDNet提供了最高的速度（在所有基于CNN的检测器中达到214帧/秒），同时具有竞争力的精度78 Fh。尽管已报告的最佳精度为83 Fh（33帧/秒），但我们推测这一精度差距可能是由于注释中的错误造成的，实际差距要小得多。我们指出了流行线段检测基准数据集Wireframe和York Urban注释中的系统性不一致问题，仔细重新注释了一部分图像，并展示了以下结果：(i) 现有检测器在更新后的注释上质量有所提升而无需重新训练，这表明新的注释与正确的线段检测概念更加吻合；(ii) 我们的检测器与其他检测器之间的精度差距缩小至几乎可以忽略不计的0.2 Fh，同时我们的方法是最快的。