초록
전통적인 선분 검출 연구는 지식 기반의 접근 방식을 사용합니다. 이 방법은 이미지 그래디언트, 픽셀 그룹핑, 또는 Hough 변환의 변형을 활용하여 신중하게 설계된 기하학적 사전 정보를 사용합니다. 반면에, 현재의 딥 러닝 방법은 모든 사전 정보를 배제하고 대신 큰 수동으로 주석이 달린 데이터셋에서 딥 네트워크를 훈련시켜 사전 정보를 대체합니다. 본 연구에서는 클래식한 지식 기반의 사전 정보를 활용하면서 딥 네트워크를 사용하여 특징을 학습함으로써 라벨링된 데이터에 대한 의존성을 줄입니다. 우리는 딥 네트워크에 학습 가능한 Hough 변환 블록을 추가하여 선분 사전 정보를 도입합니다. Hough 변환은 전역적인 선 파라미터화에 대한 사전 정보를 제공하며, 컨벌루션 계층은 국소적인 그래디언트와 유사한 선 특징을 학습할 수 있습니다. Wireframe (ShanghaiTech) 및 York Urban 데이터셋에서 보여주듯이, 사전 정보를 추가하면 데이터 효율성이 개선되며, 선분 사전 정보가 더 이상 데이터로부터 학습될 필요가 없습니다.키워드: Hough 변환; 전역 선 사전 정보, 선분 검출.