2020

Deep Hough Transform for Semantic Line Detection

code: https://paperswithcode.com/paper/deep-hough-transform-for-semantic-line
摘要： 我们专注于检测有意义的线结构的基本任务，也就是自然场景中的语义线。以往的许多方法都将此问题视为目标检测的一种特殊情况，并调整现有的目标检测器以进行语义线检测。然而，这些方法忽略了线路的固有特性，导致了性能的次优。线具有比复杂对象的更简单的几何性质，因此可以通过一些参数紧凑地参数化。为了更好地利用线的性质，本文将经典的霍夫变换技术整合到深度学习表示中，并提出了一种用于线检测的一次性端到端学习框架。通过参数化具有斜率和偏差的线，我们执行霍夫th将深度表示转换为参数域，其中我们执行线检测。具体来说，我们沿着特征映射平面上的候选线聚合特征，然后将聚合的特征分配到参数域中的相应位置。.因此，将空间域中语义线的检测问题转化为发现参数域中的单个点，使后处理步骤即非最大抑制更有效。此外，我们的方法使它容易提取上下文线特征是至关重要的准确线检测。除了该方法外，我们还设计了一个评估度量来评估线路检测的质量，并构建了一个用于线路检测任务的大规模数据集。在我们提出的数据集和另一个公共数据集上的实验结果表明，我们的方法比以前的最先进的替代方案的优势。

2021

Harmonious Semantic Line Detection via Maximal Weight Clique Selection(CVPR)

code: https://paperswithcode.com/paper/harmonious-semantic-line-detection-via

摘要： 本文提出了一种检测最优语义线集的新算法。我们开发了两个网络：选择网络（S-Net）和协调网络（H-Net）。首先，S-Net计算候选线的概率和偏移量。其次，我们通过一个选择和去除的过程来过滤掉不相关的线。第三，我们构造了一个完整的图，其边权值由H-Net计算。最后，我们确定了一个表示最优语义线集的最大权重团。此外，为了评估被检测到的谱线的整体和谐性，我们提出了一种新的度量方法，称为HIoU。实验结果表明，该算法能够有效地检测和谐语义线。