Alors que des dizaines et même des centaines d'architectures éprouvées de réseaux de neurones artificiels (RNA) sont formées dans le monde de la reconnaissance d'objets, réchauffant la planète avec des cartes vidéo puissantes et créant une «panacée» pour toutes les tâches de vision par ordinateur, nous suivons fermement le chemin de la recherche dans les moteurs intelligents, offrant de nouvelles architectures ANN efficaces. pour résoudre des problèmes spécifiques. Aujourd'hui, nous allons parler de HafNet - une nouvelle façon de rechercher des points de fuite sur les images.
Transformation difficile et mise en Ĺ“uvre rapide
. , , , , . ( ). () : , , , .. , , , , , .
(xi,yi). , yi=xia+b a b. b=-xia+yi ab, , (xi,yi) . : , , , . : , . ( – , ).
, , , – .
, . .
, , : – O(n3), n – .
() – , , () . O(n2 log(n)), . , , , [5]. , : : « » ( H1), « » ( H2), « » ( H3) « » ( H4). , H12 H34 , .
( , ). , , . .
. , , - , : ( , , ), – . , . . , - . , H12 , . , , H34 , . , , H12 , , , . ( , H12 ).
( ). , ( – ).
, , : ? , … , !
HoughNet
, , - (, – , – ). «» ( , ). «» . «» , , ?
, ( HoughNet), , - . , , – , , . , ( [1]).
: «» , «» . .
. MIDV-500 [6]. , . 50 . ( , 30 ) , – .
, , ICDAR 2011 dewarping contest dataset ( 100 - , ) .
«» ( ), state-of-the-art [7] [8].
[1] Sheshkus A. et al. HoughNet: neural network architecture for vanishing points detection // 2019 International Conference on Document Analysis and Recognition (ICDAR). – 2020. doi: 10.1109/ICDAR.2019.00140.
[2] . ., . ., . . // . – 2014. – . 64. – №. 3. – . 25-34.
[3] .. : . … . . .-. . – ., 2019. – 24 .
[4] [ ]: . . – : https://ru.wikipedia.org/wiki/_/ ( : 13.03.2020).
[5] Nikolaev D. P., Karpenko S. M., Nikolaev I. P., Nikolayev P. P. Hough Transform: Underestimated Tool in the Computer Vision Field // 22st European Conference on Modelling and Simulation, ECMS 2008. – Nicosia, Cyprys, 2008. – P. 238–243.
[6] Arlazarov V. V. et al. MIDV-500: a dataset for identity document analysis and recognition on mobile devices in video stream // . – 2019. – . 43. – №. 5.
[7] Y. Takezawa, M. Hasegawa, and S. Tabbone, “Cameracaptured document image perspective distortion correction using vanishing point detection based on radon transform,” in Pattern Recognition (ICPR), 2016 23rd International Conference on. IEEE, 2016, pp. 3968–3974.
[8] Y. Takezawa, M. Hasegawa, and S. Tabbone, “Robust perspective rectification of camera-captured document images,” in Document Analysis and Recognition (ICDAR), 2017 14th IAPR International Conference on, vol. 6. IEEE, 2017, pp. 27–32.