論文の概要: CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus

• arxiv url: http://arxiv.org/abs/2001.02643v3
• Date: Wed, 25 Mar 2020 11:48:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 12:40:15.170592
• Title: CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus
• Title（参考訳）: CONSAC:条件付きサンプルコンセンサスによるロバストなマルチモデルフィッティング
• Authors: Florian Kluger, Eric Brachmann, Hanno Ackermann, Carsten Rother, Michael Ying Yang, Bodo Rosenhahn
• Abstract要約: 我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。 複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。 探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
• 参考スコア（独自算出の注目度）: 62.86856923633923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a robust estimator for fitting multiple parametric models of the same form to noisy measurements. Applications include finding multiple vanishing points in man-made scenes, fitting planes to architectural imagery, or estimating multiple rigid motions within the same sequence. In contrast to previous works, which resorted to hand-crafted search strategies for multiple model detection, we learn the search strategy from data. A neural network conditioned on previously detected models guides a RANSAC estimator to different subsets of all measurements, thereby finding model instances one after another. We train our method supervised as well as self-supervised. For supervised training of the search strategy, we contribute a new dataset for vanishing point estimation. Leveraging this dataset, the proposed algorithm is superior with respect to other robust estimators as well as to designated vanishing point estimation algorithms. For self-supervised learning of the search, we evaluate the proposed algorithm on multi-homography estimation and demonstrate an accuracy that is superior to state-of-the-art methods.
• Abstract（参考訳）: 同一形状の複数のパラメトリックモデルをノイズ測定に適合させる頑健な推定器を提案する。 応用例としては、人工のシーンで複数の失点を見つけること、建築画像に平面を合わせること、同じシーケンス内で複数の剛性運動を推定することなどがある。 複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。 予め検出されたモデルに条件付けされたニューラルネットワークは、RANSAC推定器をすべての測定の異なるサブセットに誘導し、モデルインスタンスを次々と見つける。 我々は, 自己監督だけでなく, 教師も行う手法を訓練する。 探索戦略の教師付き学習のために,消失点推定のための新しいデータセットを提案する。 このデータセットを利用することで、提案アルゴリズムは他の頑健な推定アルゴリズムや指定された消滅点推定アルゴリズムよりも優れている。 探索の自己教師付き学習では,提案アルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。

関連論文リスト

• RHiOTS: A Framework for Evaluating Hierarchical Time Series Forecasting Algorithms [0.393259574660092]
  RHiOTSは、階層的な時系列予測モデルとアルゴリズムを実世界のデータセット上で堅牢性を評価するように設計されている。 RHiOTSは、複雑な多次元ロバストネス評価結果を直感的で容易に解釈可能なビジュアルに変換する革新的な可視化コンポーネントを組み込んでいる。 従来の統計的手法は、変換効果が非常に破壊的である場合を除き、最先端のディープラーニングアルゴリズムよりも頑健であることを示す。
  論文  参考訳（メタデータ） (2024-08-06T18:52:15Z)
• Horseshoe-type Priors for Independent Component Estimation [0.4987670632802289]
  独立成分推定(ICE)は現代の機械学習に多くの応用がある。 ホースシュー型プリエントはスケーラブルなアルゴリズムを提供するために使用される。 条件付き後部手法とエンベロープ方式の最適化方法について述べる。
  論文  参考訳（メタデータ） (2024-06-24T18:18:58Z)
• Piecewise-Linear Manifolds for Deep Metric Learning [8.670873561640903]
  教師なしの深度学習は、ラベルなしデータのみを使用して意味表現空間を学習することに焦点を当てる。 本稿では,各低次元線形片が点の小さな近傍でデータ多様体を近似して高次元データ多様体をモデル化することを提案する。 我々は、この類似度推定が、現在の最先端技術の類似度推定よりも基礎的真理と相関していることを実証的に示す。
  論文  参考訳（メタデータ） (2024-03-22T06:22:20Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Towards Deterministic Diverse Subset Sampling [14.236193187116049]
  本稿では,k-DPPのグリーディ決定論的適応について論じる。 画像検索作業におけるモデルの有用性を示す。
  論文  参考訳（メタデータ） (2021-05-28T16:05:58Z)
• Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
  任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。 提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
  論文  参考訳（メタデータ） (2021-05-23T19:21:55Z)
• Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
  本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。 複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。 これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
  論文  参考訳（メタデータ） (2021-03-25T14:35:07Z)
• Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
  本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。 複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-05T20:54:11Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)
• PAC-Bayes meta-learning with implicit task-specific posteriors [37.32107678838193]
  そこで本研究では,PAC-Bayesメタ学習アルゴリズムを提案する。 提案したメタ学習アルゴリズムを用いてトレーニングしたモデルは、精度よく校正されていることを示す。
  論文  参考訳（メタデータ） (2020-03-05T06:56:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。