LSDNet : Modification entraînable de l'algorithme LSD pour la détection en temps réel de segments de droite

À ce jour, la meilleure précision en détection de segments de droite (LSD) est obtenue par des algorithmes basés sur les réseaux neuronaux convolutifs - CNNs. Malheureusement, ces méthodes utilisent des réseaux profonds et lourds, ce qui les rend plus lentes que les détecteurs traditionnels basés sur des modèles. Dans cet article, nous construisons un détecteur CNN basé précis et rapide, LSDNet, en intégrant un CNN léger dans un détecteur LSD classique. Plus précisément, nous remplaçons la première étape de l'algorithme LSD original - la construction d'une carte de chaleur des segments de droite et d'un champ tangent à partir des gradients bruts de l'image - par un CNN léger capable de calculer des caractéristiques plus complexes et riches. La deuxième partie de l'algorithme LSD est utilisée avec seulement de légères modifications. Comparé à plusieurs détecteurs modernes de segments de droite sur le jeu de données standard Wireframe, le LSDNet proposé offre la plus haute vitesse (parmi les détecteurs basés sur CNN) de 214 FPS avec une précision compétitive de 78 Fh. Bien que la meilleure précision signalée soit de 83 Fh à 33 FPS, nous supposons que l'écart observé en termes de précision est dû à des erreurs dans les annotations et que l'écart réel est significativement inférieur. Nous soulignons les incohérences systématiques dans les annotations des benchmarks populaires de détection de lignes - Wireframe et York Urban -, nous annotons soigneusement un sous-ensemble d'images et montrons que (i) les détecteurs existants ont une qualité améliorée sur les annotations mises à jour sans reformation, suggérant que les nouvelles annotations correspondent mieux au concept de détection correcte des segments de droite ; (ii) l'écart entre les précisions de notre détecteur et ceux des autres se réduit à un négligeable 0.2 Fh, notre méthode étant la plus rapide.