Vers une détection de segments de ligne légère et en temps réel

Les méthodes précédentes de détection de segments de droite basées sur l'apprentissage profond (LSD) souffrent d'une taille de modèle considérable et d'un coût computationnel élevé pour la prédiction des lignes. Cela les empêche d'effectuer des inférences en temps réel dans des environnements à ressources limitées. Dans cet article, nous proposons un détecteur de segments de droite en temps réel et léger pour les environnements à ressources contraintes, nommé Mobile LSD (M-LSD). Nous concevons une architecture LSD extrêmement efficace en minimisant le réseau de base et en supprimant le processus multi-module typique pour la prédiction des lignes, présent dans les méthodes antérieures. Pour maintenir une performance compétitive avec un réseau léger, nous introduisons de nouvelles stratégies d'entraînement : l'augmentation par Segments de Segment de Droite (SoL), le couplage et la perte géométrique. L'augmentation SoL divise un segment de droite en plusieurs sous-parties, qui sont utilisées pour fournir des données auxiliaires de ligne lors du processus d'entraînement. De plus, le couplage et la perte géométrique permettent au modèle de capturer des indices géométriques supplémentaires. Comparé à TP-LSD-Lite, la meilleure méthode LSD en temps réel jusqu'à présent, notre modèle (M-LSD-tiny) atteint une performance compétitive avec seulement 2,5 % de la taille du modèle et une augmentation de 130,5 % de la vitesse d'inférence sur GPU. De plus, notre modèle fonctionne à 56,8 FPS et 48,6 FPS sur les derniers appareils mobiles Android et iPhone, respectivement. À notre connaissance, c'est le premier détecteur LSD en temps réel disponible sur les appareils mobiles. Notre code est accessible.Note : Les termes techniques spécifiques tels que "line segment detection (LSD)", "Segments of Line segment (SoL)", "TP-LSD-Lite", "M-LSD-tiny" ont été conservés dans leur forme originale entre parenthèses pour assurer l'intégrité des informations.