Fugu-MT 論文翻訳(概要): Boosting RANSAC via Dual Principal Component Pursuit

論文の概要: Boosting RANSAC via Dual Principal Component Pursuit

arxiv url: http://arxiv.org/abs/2110.02918v1
Date: Wed, 6 Oct 2021 17:04:45 GMT
ステータス: 処理完了
システム内更新日: 2021-10-07 14:22:34.610379
Title: Boosting RANSAC via Dual Principal Component Pursuit
Title（参考訳）: 二重主成分探索によるRANSACの増強
Authors: Yunchen Yang, Xinyue Zhang, Tianjiao Ding, Daniel P. Robinson, Rene Vidal, Manolis C. Tsakiris
Abstract要約: 本稿では,強力な理論的支援と効率的なアルゴリズムを備えた頑健な部分空間学習手法としてDual principal Component Pursuit (DPCP)を紹介した。 2次元ホモグラフ、基本行列、基本行列、および3次元ホモグラフテンソルの推定実験は、我々のアプローチが最先端の代替よりも一貫して精度が高いことを示している。
参考スコア（独自算出の注目度）: 24.942079487458624
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we revisit the problem of local optimization in RANSAC. Once a so-far-the-best model has been found, we refine it via Dual Principal Component Pursuit (DPCP), a robust subspace learning method with strong theoretical support and efficient algorithms. The proposed DPCP-RANSAC has far fewer parameters than existing methods and is scalable. Experiments on estimating two-view homographies, fundamental and essential matrices, and three-view homographic tensors using large-scale datasets show that our approach consistently has higher accuracy than state-of-the-art alternatives.
Abstract（参考訳）: 本稿では,RANSACにおける局所最適化の問題を再考する。最善のモデルが見つかると、強力な理論支援と効率的なアルゴリズムを備えた頑健な部分空間学習手法であるdual principal component pursuit(dpcp)を通じて精錬する。提案するdpcp-ransacは既存の手法に比べてパラメータが少なくスケーラブルである。大規模データセットを用いた2次元ホモグラフ,基本および必須行列,および3次元ホモグラフテンソルの推定実験により,我々のアプローチは最先端の代替手法よりも一貫して精度が高いことが示された。

関連論文リスト

Learning Distributionally Robust Models at Scale via Composite Optimization [45.47760229170775]
DROの異なる変種が、スケーラブルな方法を提供する有限サム合成最適化の単なる例であることを示す。また、非常に大規模なデータセットからロバストなモデルを学ぶために、先行技術に関して提案アルゴリズムの有効性を示す実験結果も提供する。
論文参考訳（メタデータ） (2022-03-17T20:47:42Z)
Large-scale Optimization of Partial AUC in a Range of False Positive Rates [51.12047280149546]
ROC曲線 (AUC) の下の領域は、機械学習において最も広く使われている分類モデルのパフォーマンス指標の1つである。近年の封筒平滑化技術に基づく効率的な近似勾配降下法を開発した。提案アルゴリズムは,効率のよい解法を欠くランク付けされた範囲損失の和を最小化するためにも利用できる。
論文参考訳（メタデータ） (2022-03-03T03:46:18Z)
When AUC meets DRO: Optimizing Partial AUC for Deep Learning with Non-Convex Convergence Guarantee [51.527543027813344]
単方向および二方向部分AUC(pAUC)の系統的および効率的な勾配法を提案する。一方通行と一方通行の pAUC に対して,2つのアルゴリズムを提案し,それぞれ2つの定式化を最適化するための収束性を証明した。
論文参考訳（メタデータ） (2022-03-01T01:59:53Z)
Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。 scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
論文参考訳（メタデータ） (2021-05-10T23:51:14Z)
Fast Distributionally Robust Learning with Variance Reduced Min-Max Optimization [85.84019017587477]
分散的ロバストな教師付き学習は、現実世界のアプリケーションのための信頼性の高い機械学習システムを構築するための重要なパラダイムとして登場している。 Wasserstein DRSLを解くための既存のアルゴリズムは、複雑なサブプロブレムを解くか、勾配を利用するのに失敗する。我々はmin-max最適化のレンズを通してwaserstein drslを再検討し、スケーラブルで効率的に実装可能な超勾配アルゴリズムを導出する。
論文参考訳（メタデータ） (2021-04-27T16:56:09Z)
Fast and Robust Certifiable Estimation of the Relative Pose Between Two Calibrated Cameras [0.0]
カメラの相対Pose問題(RPp)は、2つのカメラ間のペアワイズ回転のセットを与えられた相対方向変換(構成)を目指しています。本稿では,検出された最適解の比率を高めるための証明書群について紹介する。提案手法が高速でロバストなポーズ推定を実現することを,合成および実データにより証明する。
論文参考訳（メタデータ） (2021-01-21T10:07:05Z)
Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-23T04:25:36Z)
An Online Method for A Class of Distributionally Robust Optimization with Non-Convex Objectives [54.29001037565384]
本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
論文参考訳（メタデータ） (2020-06-17T20:19:25Z)
Manifold Proximal Point Algorithms for Dual Principal Component Pursuit and Orthogonal Dictionary Learning [32.87704663543739]
様々な機械学習アプリケーションで発生する球面上の線形写像を最大化する問題を考える。球面をスティーフェル行列に置き換える問題に対する新しいアプローチを提案する。
論文参考訳（メタデータ） (2020-05-05T17:40:03Z)
Robust Learning Rate Selection for Stochastic Optimization via Splitting Diagnostic [5.395127324484869]
SplitSGDは最適化のための新しい動的学習スケジュールである。本手法は,対象関数の局所的幾何への適応性を向上するために学習率を低下させる。基本的には標準のSGDよりも計算コストがかかるわけではない。
論文参考訳（メタデータ） (2019-10-18T19:38:53Z)

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。