Transformée de Hough profonde pour la détection de lignes sémantiques

Nous nous concentrons sur une tâche fondamentale : détecter des structures linéaires significatives, appelées lignes sémantiques, dans des scènes naturelles. De nombreuses méthodes antérieures considèrent ce problème comme un cas particulier de détection d'objets et adaptent des détecteurs d'objets existants à la détection de lignes sémantiques. Toutefois, ces approches négligent les caractéristiques intrinsèques des lignes, ce qui entraîne des performances sous-optimales. Contrairement aux objets complexes, les lignes présentent une propriété géométrique bien plus simple et peuvent être paramétrées de manière compacte à l’aide de quelques paramètres. Afin d’exploiter plus efficacement cette propriété, nous intégrons dans ce travail la technique classique de transformation de Hough aux représentations apprises profondément, et proposons un cadre d’apprentissage end-to-end à une seule phase pour la détection de lignes. En paramétrant les lignes par leurs pentes et leurs ordonnées à l’origine, nous appliquons la transformation de Hough pour transformer les représentations profondes vers le domaine paramétrique, où la détection de lignes est effectuée. Plus précisément, nous agrégeons les caractéristiques le long des lignes candidates sur le plan de la carte de caractéristiques, puis attribuons ces caractéristiques agrégées aux emplacements correspondants dans le domaine paramétrique. En conséquence, le problème de détection des lignes sémantiques dans le domaine spatial est transformé en une tâche de localisation de points individuels dans le domaine paramétrique, rendant les étapes de post-traitement, telles que la suppression non maximale, plus efficaces. De plus, notre méthode permet facilement d’extraire des caractéristiques contextuelles le long des lignes voisines d’une ligne donnée, ce qui est crucial pour une détection précise des lignes. En complément de la méthode proposée, nous avons conçu un métrique d’évaluation pour mesurer la qualité de la détection de lignes, et construit un grand jeu de données dédié à cette tâche. Les résultats expérimentaux obtenus sur notre jeu de données proposée ainsi que sur un autre jeu de données public démontrent clairement les avantages de notre méthode par rapport aux approches de pointe précédentes.