AirLine: Efficient Learnable Line Detection with Local Edge Voting

要約

線検出は、シーン認識、3D再構成、SLAM（Simultaneous Localization and Mapping）など、多くのロボットタスクで広く使用されている。点と比較して、線は低レベルと高レベルの両方の幾何学的情報を下流のタスクに提供することができる。本論文では、様々なタスクに適用可能な、新しい学習可能な端点ベースの線検出アルゴリズムAirLineを提案する。既存の学習可能な端点ベースの手法は、環境の幾何学的条件に敏感であるのとは対照的に、AirLineはエッジから直接線分を抽出することができ、その結果、未知の環境に対してより優れた汎化能力を持つ。効率と精度のバランスをとるために、我々は線分パラメータ化のための領域成長アルゴリズムと局所エッジ投票スキームを導入する。我々の知る限り、AirLineは学習可能な最初のエッジベースの線検出手法の一つである。我々の広範な実験により、AirLineは他の学習ベースの手法と比較して3倍から80倍の実行時間短縮を実現しながらも、最新技術レベルの精度を保持していることが示された。

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 learnable 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. To balance efficiency and accuracy, we introduce a region-grow algorithm and a 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 have shown that it retains state-of-the-art-level precision, yet with a 3 to 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, DeepL