跑道角点被裁掉时，YOLO改学整条边线：五条语义线让99.3%的进近图像仍有足够约束
核心概要
视觉着陆中，跑道角点常在近距阶段被视场裁掉，使基于点的位姿求解失去几何约束。研究把目标检测从关键点扩展到“关键线”：每个目标实例预测一组固定、语义有序的无限直线，并在YOLO上以连续Hesse法式参数化、用Object Keyline Similarity（OKLS）同时充当评价指标、目标分配信号和回归损失。在跑道数据上，连续Hesse法式配合OKLS取得四种参数化中最高的关键线检测精度，融合头加入关键线后关键点精度未下降、延迟无明显增加。
深度剖析
目标检测器现在可以像预测关键点那样，为每个目标实例预测一组固定、语义有序的无限直线，称为关键线。 此前通用线段检测器只输出图像级、无序的有限线段，既不绑定目标实例，也没有稳定的语义编号；目标检测器则只给出框和关键点，不含线特征。 在跑道进近图像上，连续Hesse法式配合OKLS监督的关键线检测达到55.7 AP和61.7 AR，高于同一YOLO-NAS架构下极坐标Hesse法式、端点表示和法向点表示三种参数化。
关键线以连续Hesse法式表示，即用单位法向量和有符号垂距描述一条直线，并相对输出网格单元中心解码。 直接回归标量角度会在角度回绕处出现不连续，因此改为预测单位法向量，代价是法向量正负号对应同一条无向直线。 OKLS把关键点相似度中的点到点残差换成预测直线到标注支撑端点的垂距残差，同时用于评价、目标分配和回归损失，并在COCO关键点评测协议下给出关键线的AP与AR。
关键线可以直接并入标准YOLO关键点头，作为额外输出通道，无需大幅改动结构。 融合头与分离头两种集成方式都预测关键点和关键线，融合头共享原有姿态分支，分离头复制几何回归分支。 融合头下关键点精度为48.7 AP、52.5 AR，与仅关键点模型的48.4 AP、51.5 AR在运行波动范围内相当，延迟27.4毫秒对27.3毫秒；分离头延迟增加1.9毫秒。
在跑道场景中，关键线提高了可供下游位姿求解使用的特征约束可用比例。 仅关键点模型在测试集上只有71.3%的图像含有至少三个可见关键点，近距阶段最近的两个角点离开画面后最多只剩两个角点。 关键点加关键线的配置在测试集上99.0%的图像含有至少三个有效特征，仅关键线配置为97.1%；去掉中心线后，仅关键线与联合模型仍分别保持相应可用率，说明增益不只来自五对四的特征数量差。
启示与展望
实验全部在真实进近图像构成的跑道数据集上完成，训练集含230条进近轨迹、95个机场的6730张图像，验证集与测试集各覆盖10个与训练不相交的机场；方法假设同一类别的实例具有固定、语义有序且近似线性的特征，跑道因边缘与中心线语义稳定而满足这一假设。作者提出下一步是把预测关键线接入PnPL位姿估计，评估其对最终进近阶段飞机位姿精度的影响，并在跑道之外的类别上验证该形式。
研究只在图像域评估关键线回归，未评估其对下游位姿估计的影响，因此结果不能证明预测关键线会提高飞机位姿精度。关键线未施加共享消失点等几何约束，以避免特征间的结构误差耦合。联合训练时关键线精度相对仅关键线模型下降3.4至3.7个点，作者认为可能与固定的多任务损失权重有关。约束可用率只统计图像域中有效特征的数量，达到三个对应点是通用最小求解的必要条件，但不保证位姿求解成功，也未检验几何退化。