AirLine: Efficient Learnable Line Detection with Local Edge Voting

要約

ライン検出は、シーン認識、3D 再構成、同時ローカリゼーションとマッピング (SLAM) など、多くのロボット タスクで広く使用されています。
点と比較して、線は下流のタスクに低レベルと高レベルの両方の幾何学的情報を提供できます。
この論文では、さまざまなタスクに適用できる新しいエッジベースのライン検出アルゴリズム AirLine を提案します。
環境の幾何学的条件に敏感な既存の学習可能なエンドポイントベースの方法とは対照的に、AirLine はエッジから線分を直接抽出できるため、目に見えない環境の一般化能力が向上します。
また、効率と精度のバランスを取るために、ラインのパラメーター化にリージョン グロー アルゴリズムとローカル エッジ ボーティング スキームを導入します。
私たちの知る限りでは、AirLine は学習可能な最初のエッジベースのライン検出方法の 1 つです。
私たちの広範な実験では、低電力ロボットにとって重要な、他の学習ベースの方法と比較して、3 倍から 80 倍のランタイム アクセラレーションを備えながら、最先端レベルの精度を保持することが示されています。

要約(オリジナル)

Line detection is widely used in many robotic tasks such as scene recognition, 3D reconstruction, and simultaneous localization and mapping (SLAM). Compared to points, lines can provide both low-level and high-level geometrical information for downstream tasks. In this paper, we propose a novel edge-based line detection algorithm, AirLine, which can be applied to various tasks. In contrast to existing learnable endpoint-based methods which are sensitive to the geometrical condition of environments, AirLine can extract line segments directly from edges, resulting in a better generalization ability for unseen environments. Also to balance efficiency and accuracy, we introduce a region-grow algorithm and local edge voting scheme for line parameterization. To the best of our knowledge, AirLine is one of the first learnable edge-based line detection methods. Our extensive experiments show that it retains state-of-the-art-level precision yet with a 3-80 times runtime acceleration compared to other learning-based methods, which is critical for low-power robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google