論文の概要: ROBIN: a Graph-Theoretic Approach to Reject Outliers in Robust
Estimation using Invariants
- arxiv url: http://arxiv.org/abs/2011.03659v2
- Date: Tue, 23 Mar 2021 20:02:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 22:41:42.549282
- Title: ROBIN: a Graph-Theoretic Approach to Reject Outliers in Robust
Estimation using Invariants
- Title(参考訳): ROBIN:不変量を用いたロバスト推定における外乱除去法
- Authors: Jingnan Shi, Heng Yang, Luca Carlone
- Abstract要約: 外乱は典型的には誤ったデータアソシエーションや特徴マッチングの結果である。
頑健な推定に対する現在のアプローチは、多くの外れ値が存在する場合、正確に見積もることができない。
本稿では, プルー・アウトレーヤへのアプローチについて述べる。
- 参考スコア(独自算出の注目度): 30.19476775410544
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many estimation problems in robotics, computer vision, and learning require
estimating unknown quantities in the face of outliers. Outliers are typically
the result of incorrect data association or feature matching, and it is common
to have problems where more than 90% of the measurements used for estimation
are outliers. While current approaches for robust estimation are able to deal
with moderate amounts of outliers, they fail to produce accurate estimates in
the presence of many outliers. This paper develops an approach to prune
outliers. First, we develop a theory of invariance that allows us to quickly
check if a subset of measurements are mutually compatible without explicitly
solving the estimation problem. Second, we develop a graph-theoretic framework,
where measurements are modeled as vertices and mutual compatibility is captured
by edges. We generalize existing results showing that the inliers form a clique
in this graph and typically belong to the maximum clique. We also show that in
practice the maximum k-core of the compatibility graph provides an
approximation of the maximum clique, while being faster to compute in large
problems. These two contributions leads to ROBIN, our approach to Reject
Outliers Based on INvariants, which allows us to quickly prune outliers in
generic estimation problems. We demonstrate ROBIN in four geometric perception
problems and show it boosts robustness of existing solvers while running in
milliseconds in large problems.
- Abstract(参考訳): ロボット工学、コンピュータビジョン、学習における多くの推定問題は、外れ値の面において未知量の推定を必要とする。
外れ値は通常、不正確なデータアソシエーションや特徴マッチングの結果であり、見積もりに使用される測定値の90%以上が外れ値であるような問題が発生することが多い。
現在のロバストな見積もりのアプローチは、適度な量の外れ値に対処できるが、多くの外れ値が存在する場合に正確な見積もりを生成することができない。
本稿では,prune outliers へのアプローチについて述べる。
まず, 推定問題を明示的に解くことなく, 測定のサブセットが相互に互換性があるかどうかを迅速に確認できる不変性の理論を考案する。
第2に,測定値を頂点としてモデル化し,相互互換性をエッジで捉えるグラフ理論フレームワークを開発した。
既存の結果を一般化し、このグラフでイリアーがクランクを形成し、典型的には最大クランクに属することを示す。
また,互換性グラフの最大kコアは,大規模問題での計算が高速であると同時に,最大クランクの近似も可能であることを示す。
この2つのコントリビューションは、Invariantsに基づくReject OutliersアプローチであるRobINにつながります。
本研究では, 4 つの幾何学的知覚問題において ROBIN を実証し, 大きな問題においてミリ秒で実行しながら, 既存の解法の堅牢性を高めることを示す。
関連論文リスト
- Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
論文 参考訳(メタデータ) (2023-12-19T13:17:43Z) - Revisiting Rotation Averaging: Uncertainties and Robust Losses [51.64986160468128]
現在の手法の主な問題は、推定エピポーラを通して入力データと弱い結合しか持たない最小コスト関数である。
本稿では,点対応から回転平均化への不確実性を直接伝播させることにより,基礎となる雑音分布をモデル化することを提案する。
論文 参考訳(メタデータ) (2023-03-09T11:51:20Z) - Estimation Contracts for Outlier-Robust Geometric Perception [25.105820975269506]
外乱推定は基本的な問題であり、統計学者によって広く研究されている。
我々は,近代的な推定アルゴリズムが,外れ値の存在下で地上に近い推定値を取得することを保証した入力条件を提供する。
論文 参考訳(メタデータ) (2022-08-22T18:01:49Z) - IMOT: General-Purpose, Fast and Robust Estimation for Spatial Perception
Problems with Outliers [5.273254350665794]
我々は,新しい汎用ロバスト推定器IMOT(Iterative Multi-layered Otsu's Thresholding)を提案する。
我々は, 回転平均化, 回転探索, 点雲登録, カテゴリーレベル登録, SLAMの5つの異なる空間認識問題に対して, 頑健な推定器IMOTを検証した。
論文 参考訳(メタデータ) (2022-04-04T08:57:34Z) - Average-Case Communication Complexity of Statistical Problems [48.03761288397421]
通信の複雑さは、ストリーミング、スケッチ、クエリベースのモデルにおける下位境界を証明する主要なツールである。
本稿では,ランダムグラフやマトリクスに植木構造を組み込んだ問題に対して,入力分布を保存する一般還元法を提案する。
我々は,植林した傾斜地を検知・発見するために,二者間・多者間通信の下限を導出する。
論文 参考訳(メタデータ) (2021-07-03T03:31:37Z) - Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。
入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。
分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文 参考訳(メタデータ) (2021-06-14T05:39:09Z) - Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。
ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。
本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文 参考訳(メタデータ) (2021-06-06T19:08:53Z) - RANSIC: Fast and Highly Robust Estimation for Rotation Search and Point
Cloud Registration using Invariant Compatibility [6.8858952804978335]
対応に基づく回転探索と点雲登録は、ロボット工学とコンピュータビジョンの基本的な問題である。
本稿では、乱数サンプリングと不変性と互換性を組み合わせた新しいパラダイムに基づいて、両問題に適用可能な高速かつ高堅牢なRANSICを提案する。
複数の合成実験と実実験では、RANSICが高速に使用でき、95%以上のアウトプライヤに対して堅牢であり、約100%のインプライヤをリコールすることができ、回転検索とポイントクラウド登録問題の両方で他の最先端のソルバーを上回ります。
論文 参考訳(メタデータ) (2021-04-19T08:29:34Z) - Outlier-Robust Estimation: Hardness, Minimally Tuned Algorithms, and
Applications [25.222024234900445]
本稿では,外乱推定,一般化最大収束(G-MC),一般化最小正方形(G-TLS)の2つの統一式を提案する。
最悪の場合、(概して)外れ値の集合を見つけることは不可能である。
そこで我々は, 降圧器から降圧器を分離する方法を動的に決定する, 降圧器のリジェクションのための最小調整アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-29T21:06:13Z) - $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a
Robust Divergence Estimator [95.71091446753414]
最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。
本手法は既存の不一致対策よりも高いロバスト性を実現する。
論文 参考訳(メタデータ) (2020-06-13T06:09:27Z) - Zero-Assignment Constraint for Graph Matching with Outliers [40.02444837257561]
本稿では,ゼロアサインメント制約 (ZAC) を用いて,外乱の存在下でのグラフマッチング問題にアプローチする。
基礎となる考え方は、ゼロ値ベクトルを得られた最適対応行列のポテンシャル外値に割り当てることにより、外値のマッチングを抑えることである。
我々は,多数のアウトレーラによる誤りや冗長なマッチングを著しく低減するために,効率的なアウトレーラ・ロバストアルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-03-26T14:11:10Z)
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。