Apprentissage Profond pour la Détection du Point de Fuite Utilisant une Projection Gnomonique Inverse

Nous présentons une nouvelle approche pour la détection des points de fuite à partir d'images monoculaires non calibrées. Contrairement aux méthodes de pointe, nous ne faisons aucune hypothèse a priori sur la scène observée. Notre méthode repose sur un réseau neuronal convolutif (CNN) qui n'utilise pas des images naturelles, mais une représentation sphérique gaussienne issue d'une projection gnomonique inverse des lignes détectées dans l'image. Cela nous permet de nous appuyer sur des données synthétiques pour l'entraînement, éliminant ainsi le besoin d'images étiquetées. Notre méthode obtient des performances compétitives sur trois ensembles de données de référence pour l'estimation de l'horizon. Nous mettons également en lumière quelques cas d'utilisation supplémentaires pour lesquels notre algorithme de détection des points de fuite peut être utilisé.