論文の概要: TGGLines: A Robust Topological Graph Guided Line Segment Detector for Low Quality Binary Images

• arxiv url: http://arxiv.org/abs/2002.12428v1
• Date: Thu, 27 Feb 2020 20:47:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 08:58:24.312398
• Title: TGGLines: A Robust Topological Graph Guided Line Segment Detector for Low Quality Binary Images
• Title（参考訳）: TGGLines:低画質バイナリ画像のためのロバストなトポロジカルグラフガイド線分割検出器
• Authors: Ming Gong, Liping Yang, Catherine Potts, Vijayan K. Asari, Diane Oyen, Brendt Wohlberg
• Abstract要約: 低画質バイナリ画像における線分検出のためのロバストなトポロジカルグラフガイド手法を提案する。 グラフ誘導方式により、TGGLinesは線分を検出するだけでなく、線分接続グラフでセグメントを整理する。 実験の結果,TGGLines検出器は最先端の線分検出法より視覚的,定量的に優れていることがわかった。
• 参考スコア（独自算出の注目度）: 37.31650920391197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Line segment detection is an essential task in computer vision and image analysis, as it is the critical foundation for advanced tasks such as shape modeling and road lane line detection for autonomous driving. We present a robust topological graph guided approach for line segment detection in low quality binary images (hence, we call it TGGLines). Due to the graph-guided approach, TGGLines not only detects line segments, but also organizes the segments with a line segment connectivity graph, which means the topological relationships (e.g., intersection, an isolated line segment) of the detected line segments are captured and stored; whereas other line detectors only retain a collection of loose line segments. Our empirical results show that the TGGLines detector visually and quantitatively outperforms state-of-the-art line segment detection methods. In addition, our TGGLines approach has the following two competitive advantages: (1) our method only requires one parameter and it is adaptive, whereas almost all other line segment detection methods require multiple (non-adaptive) parameters, and (2) the line segments detected by TGGLines are organized by a line segment connectivity graph.
• Abstract（参考訳）: ラインセグメント検出は、コンピュータビジョンや画像解析において不可欠なタスクであり、形状モデリングや自動運転のための路車線検出といった高度なタスクの重要な基盤である。 本稿では,低品質なバイナリ画像における線分検出のための頑健なトポロジカルグラフガイド手法を提案する(TGGLines と呼ぶ)。 グラフ誘導のアプローチにより、TGGLinesは線セグメントを検出するだけでなく、検出された線セグメントのトポロジ的関係(例えば、交差、孤立した線セグメント)をキャプチャして保存する。 実験の結果,TGGLines検出器は最先端の線分検出法より視覚的,定量的に優れていることがわかった。 さらに,TGGLinesの手法には,(1)本手法では1つのパラメータしか必要とせず,適応性がある,一方,他のほとんどの行セグメント検出手法では複数のパラメータ(非適応性)が必要,(2)TGGLinesで検出された行セグメントは線分接続グラフによって構成される,という2つの競争上の優位性がある。

関連論文リスト

• TGGLinesPlus: A robust topological graph-guided computer vision algorithm for line detection from images [17.786188818725783]
  我々は,線検出のためのトポロジカルグラフ誘導アルゴリズムTGGLinesPlusを提案し,実装する。 幅広い領域の画像に対する我々の実験は、我々のアルゴリズムの柔軟性を実証した。 私たちは、TGGLinesPlusのオープンソース実装が、空間科学が重要な多くのアプリケーションに刺激を与え、道を開いたいと考えています。
  論文  参考訳（メタデータ） (2024-03-26T18:49:56Z)
• Linear Object Detection in Document Images using Multiple Object Tracking [58.720142291102135]
  線形オブジェクトは文書構造に関する実質的な情報を伝達する。 多くのアプローチはベクトル表現を復元できるが、1994年に導入された1つのクローズドソース技術のみである。 複数オブジェクト追跡を用いた文書画像中の線形オブジェクトの正確なインスタンスセグメンテーションのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-26T14:22:03Z)
• Level-line Guided Edge Drawing for Robust Line Segment Detection [38.21854942764346]
  本稿では,ロバストラインセグメント検出(GEDRLSD)のためのレベルラインガイドエッジ描画を提案する。 レベルライン情報は、エッジ追跡のための潜在的な方向を提供し、正確なエッジ描画のためのガイドラインとして提供することができる。 数値実験により,提案したGEDRLSDアルゴリズムは最先端手法と比較して優位性を示した。
  論文  参考訳（メタデータ） (2023-05-10T04:03:59Z)
• DeepLSD: Line Segment Detection and Refinement with Deep Image Gradients [105.25109274550607]
  ラインセグメントは、視覚タスクでますます使われています。 画像勾配に基づく従来の線検出器は非常に高速で精度が高いが、ノイズの多い画像や困難な条件では頑丈さに欠ける。 我々は、両方の世界を最大限に活用するために、伝統的なアプローチと学習されたアプローチを組み合わせることを提案する。
  論文  参考訳（メタデータ） (2022-12-15T12:36:49Z)
• Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
  画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。 最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。 本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
  論文  参考訳（メタデータ） (2022-01-15T01:54:25Z)
• LOF: Structure-Aware Line Tracking based on Optical Flow [8.856222186351445]
  光フロー(LOF)に基づく構造認識ライントラッキングアルゴリズムを提案する。 提案するLOFは, ライントラッキング精度, 堅牢性, 効率において, 最先端性能より優れる。
  論文  参考訳（メタデータ） (2021-09-17T11:09:11Z)
• SOLD2: Self-supervised Occlusion-aware Line Description and Detection [95.8719432775724]
  単一深層ネットワークにおける回線セグメントの最初の共同検出と記述について紹介します。 我々の手法は注釈付き行ラベルを必要としないため、任意のデータセットに一般化することができる。 複数のマルチビューデータセットにおいて,従来の行検出と記述方法に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-04-07T19:27:17Z)
• Line Segment Detection Using Transformers without Edges [22.834316796018705]
  提案手法はLinE segment TRansformers (LETR) と呼ばれ,本領域の3つの問題に対処する。 Wireframe と YorkUrban のベンチマークで最新の結果を示す。
  論文  参考訳（メタデータ） (2021-01-06T08:00:18Z)
• Deep Hough Transform for Semantic Line Detection [70.28969017874587]
  自然の場面で意味のある線構造、つまり意味的な線を検知する基本的なタスクに焦点をあてる。 従来の手法は線の性質を無視し、準最適性能をもたらす。 行検出のためのワンショットエンドツーエンド学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-10T13:08:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。