Détection multiple de points de fuite horizontaux par deep learning - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Détection multiple de points de fuite horizontaux par deep learning

Résumé

We investigate in this paper the application of convolutional neural networks (CNN) for estimating multiple horizontal vanishing points (hVPs) from a single RGB image. Motivated by the success of recent works that use learningbased techniques for horizon line detection, we first propose a method for hVP detection that integrates CNN’s power and the robustness of the a-contrario method for extracting meaningful hVPs. To detect multiple hVPs and take advantage of the surface normal map’s structural information, we propose a multi-task model that estimates the horizon line jointly, hVPs and the surface normal map from a single RGB image. Finally, we introduce a fusion process to recover a more extensive set of hVPs while avoiding duplicate ones.We evaluate our method thoroughly on the Holicity dataset containing ground-truth surface normal maps and VPs. We also compare it to a state-of-the-art algorithm for hVP detection.
Dans cet article, nous proposons des réseaux de neurones convolutionnels (CNN) pour l'estimation de plusieurs points de fuite horizontaux (PFh) à partir d'une seule image. Motivés par le succès des travaux récents qui utilisent des techniques basées sur l'apprentissage pour la détection des lignes d'horizon, nous proposons d'abord une méthode de détection des PFh qui intègre la puissance des CNN et la robustesse des méthodes a-contrario pour extraire des PFh significatifs. Pour détecter plusieurs PFh et tirer parti des informations structurelles de la carte des normales de surface, nous proposons un modèle multitâches qui estime conjointement la ligne d'horizon, les points de fuite horizontaux et la carte des normales de surface à partir d'une seule image. Enfin, nous introduisons un processus de fusion pour récupérer un ensemble plus étendu de points de fuite tout en évitant les doublons. Nous évaluons notre méthode de manière approfondie sur l'ensemble de données Holicity contenant des carte des normales et la vérité terrain des points de fuite. Nous la comparons également à une méthode de référence.
Fichier principal
Vignette du fichier
RFIAP_2022.pdf (4.59 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03844163 , version 1 (08-11-2022)

Identifiants

  • HAL Id : hal-03844163 , version 1

Citer

Abdelkarim Elassam, Gilles Simon, Marie-Odile Berger. Détection multiple de points de fuite horizontaux par deep learning. RFIAP 2022 - Reconnaissance des Formes, Image, Apprentissage et Perception, Jul 2022, Vannes, France. ⟨hal-03844163⟩
99 Consultations
49 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More