論文の概要: Aligned Anchor Groups Guided Line Segment Detector

• arxiv url: http://arxiv.org/abs/2509.00786v1
• Date: Sun, 31 Aug 2025 10:27:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.394508
• Title: Aligned Anchor Groups Guided Line Segment Detector
• Title（参考訳）: 配向アンカー群誘導線分検出器
• Authors: Zeyu Li, Annan Shu,
• Abstract要約: 本稿では,線分検出器であるアラインドアンカー群誘導線分検出器(AAGLSD)を紹介する。 AAGLSDは、高精度で完全性のある画像から線分を検出するように設計されている。
• 参考スコア（独自算出の注目度）: 6.2948461252957495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a novel line segment detector, the Aligned Anchor Groups guided Line Segment Detector (AAGLSD), designed to detect line segments from images with high precision and completeness. The algorithm employs a hierarchical approach to extract candidate pixels with different saliency levels, including regular anchors and aligned anchor groups. AAGLSD initiates from these aligned anchor groups, sequentially linking anchors and updating the currently predicted line segment simultaneously. The final predictions are derived through straightforward validation and merging of adjacent line segments, avoiding complex refinement strategies. AAGLSD is evaluated on various datasets and quantitative experiments demonstrate that the proposed method can effectively extract complete line segments from input images compared to other advanced line segment detectors. The implementation is available at https://github.com/LLiDaBao/AAGLSD.
• Abstract（参考訳）: 本稿では,線分検出装置であるアラインドアンカー群誘導線分検出器(AAGLSD)を導入し,高精度で完全性の高い画像から線分を検出する。 このアルゴリズムは、正規アンカーやアライメントアンカー群を含む、サリエンシの異なる候補画素を抽出するための階層的なアプローチを採用している。 AAGLSDはこれらのアラインアンカーグループから開始し、順次アンカーをリンクし、現在予測されているラインセグメントを同時に更新する。 最終的な予測は、隣接するセグメントの直接的な検証とマージによって導き出され、複雑な洗練戦略を避ける。 AAGLSDを様々なデータセットで評価し,提案手法が他の高度な線分検出装置と比較して,入力画像から全線分を効果的に抽出できることを定量的に示す。 実装はhttps://github.com/LLiDaBao/AAGLSDで公開されている。

関連論文リスト

• POEv2: a flexible and robust framework for generic line segment detection and wireframe line segment detection [11.8193704397315]
  線分検出器は、ジェネリック線分検出器とワイヤフレーム線分検出器の2つのカテゴリに分けられる。 最近のディープラーニングベースのアプローチは、主にワイヤフレームラインセグメント検出器である。 本稿では,線分検出と線分検出の両方に使用できるロバストなフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-27T10:13:46Z)
• Uncovering Prototypical Knowledge for Weakly Open-Vocabulary Semantic Segmentation [59.37587762543934]
  本稿では,弱開語彙セマンティックセマンティックセグメンテーション(WOVSS)の問題点について検討する。 既存の方法は、グループトークンの使用に関する粒度の矛盾に悩まされる。 マルチモーダル正規化を組み込んだプロトタイプ誘導ネットワーク(PGSeg)を提案する。
  論文  参考訳（メタデータ） (2023-10-29T13:18:00Z)
• A Survey on Label-efficient Deep Segmentation: Bridging the Gap between Weak Supervision and Dense Prediction [115.9169213834476]
  本稿では,ラベル効率の高いセグメンテーション手法について概説する。 まず,様々な種類の弱いラベルによって提供される監督に従って,これらの手法を整理する分類法を開発する。 次に,既存のラベル効率のセグメンテーション手法を統一的な視点から要約する。
  論文  参考訳（メタデータ） (2022-07-04T06:21:01Z)
• ELSD: Efficient Line Segment Detector and Descriptor [9.64386089593887]
  本稿では,ラインセグメントを同時に検出し,画像中のデクリプタを抽出する,ELSD(Efficient Line Segment Detector and Descriptor)を提案する。 ELSDはSLAMや画像マッチングなどの高レベルのタスクに不可欠なライン機能を提供します。 実験では,提案したELSDは,Wireframeデータセットと YorkUrbanデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-04-29T08:53:03Z)
• 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)
• SegGroup: Seg-Level Supervision for 3D Instance and Semantic Segmentation [88.22349093672975]
  アノテーションの場所を示すためにインスタンス毎に1つのポイントをクリックするだけでよい、弱い教師付きポイントクラウドセグメンテーションアルゴリズムを設計します。 事前処理のオーバーセグメンテーションにより、これらの位置アノテーションをセグレベルのラベルとしてセグメントに拡張する。 seg-level supervised method (SegGroup) は、完全注釈付きポイントレベルのsupervised method で比較結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-12-18T13:23:34Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)

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。