論文の概要: Robust Motion Averaging for Multi-view Registration of Point Sets Based Maximum Correntropy Criterion

• arxiv url: http://arxiv.org/abs/2208.11327v1
• Date: Wed, 24 Aug 2022 06:49:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 12:47:21.846319
• Title: Robust Motion Averaging for Multi-view Registration of Point Sets Based Maximum Correntropy Criterion
• Title（参考訳）: 最大コレントロピー基準に基づく点集合の多視点登録のためのロバスト運動平均化
• Authors: Yugeng Huang, Haitao Liu, Tian Huang
• Abstract要約: ラプラシアンカーネルを用いた最大コレントロピー基準(LMCC)を用いたマルチビュー登録のための新しい動き平均化フレームワークを提案する。 本手法は, 効率, 精度, 堅牢性において優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 4.318555434063273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As an efficient algorithm to solve the multi-view registration problem,the motion averaging (MA) algorithm has been extensively studied and many MA-based algorithms have been introduced. They aim at recovering global motions from relative motions and exploiting information redundancy to average accumulative errors. However, one property of these methods is that they use Guass-Newton method to solve a least squares problem for the increment of global motions, which may lead to low efficiency and poor robustness to outliers. In this paper, we propose a novel motion averaging framework for the multi-view registration with Laplacian kernel-based maximum correntropy criterion (LMCC). Utilizing the Lie algebra motion framework and the correntropy measure, we propose a new cost function that takes all constraints supplied by relative motions into account. Obtaining the increment used to correct the global motions, can further be formulated as an optimization problem aimed at maximizing the cost function. By virtue of the quadratic technique, the optimization problem can be solved by dividing into two subproblems, i.e., computing the weight for each relative motion according to the current residuals and solving a second-order cone program problem (SOCP) for the increment in the next iteration. We also provide a novel strategy for determining the kernel width which ensures that our method can efficiently exploit information redundancy supplied by relative motions in the presence of many outliers. Finally, we compare the proposed method with other MA-based multi-view registration methods to verify its performance. Experimental tests on synthetic and real data demonstrate that our method achieves superior performance in terms of efficiency, accuracy and robustness.
• Abstract（参考訳）: マルチビュー登録問題を解決するための効率的なアルゴリズムとして、動き平均化(MA)アルゴリズムが広く研究され、多くのMAベースのアルゴリズムが導入された。 相対的な動きからグローバルな動きを回復し、情報冗長性を平均的な累積誤差に活用することを目的としている。 しかし、これらの手法の1つの特性は、グアセス・ニュートン法を用いて大域運動の増大の最小二乗問題を解くことであり、これは効率が低く、外れ値に対する堅牢性が劣る可能性がある。 本稿では,Laplacian kernel-based maximum correntropy criterion (LMCC) を用いたマルチビュー登録のための新しい動き平均化フレームワークを提案する。 リー代数運動フレームワークとコレントロピー測度を利用して, 相対運動によって与えられる制約をすべて考慮した新しいコスト関数を提案する。 グローバルな動きを補正するために使用されるインクリメントは、コスト関数の最大化を目的とした最適化問題として、さらに定式化することができる。 二次的手法により、最適化問題は2つのサブプロブレム、すなわち、現在の残差に応じて各相対運動の重みを計算し、次のイテレーションでインクリメントのための2次コーンプログラム問題(SOCP)を解くことで解決できる。 また,複数の異常値が存在する場合,相対運動によって供給される情報冗長性を効率的に活用できるように,カーネル幅を決定する新しい手法を提案する。 最後に,提案手法と他のMAベースマルチビュー登録手法を比較し,その性能を検証する。 合成データおよび実データを用いた実験により,本手法は効率,精度,堅牢性において優れた性能を発揮することが示された。

関連論文リスト

• Learning to Optimize with Stochastic Dominance Constraints [103.26714928625582]
  本稿では,不確実量を比較する問題に対して,単純かつ効率的なアプローチを開発する。 我々はラグランジアンの内部最適化をサロゲート近似の学習問題として再考した。 提案したライト-SDは、ファイナンスからサプライチェーン管理に至るまで、いくつかの代表的な問題において優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-14T21:54:31Z)
• An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
  本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。 まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-08-11T22:27:22Z)
• Multi-Agent Deep Reinforcement Learning in Vehicular OCC [14.685237010856953]
  我々は車載OCCにおけるスペクトル効率最適化手法を提案する。 我々は最適化問題をマルコフ決定プロセス(MDP)としてモデル化し、オンラインで適用可能なソリューションの利用を可能にする。 提案手法の性能を広範囲なシミュレーションにより検証し,提案手法の様々な変種とランダムな手法との比較を行った。
  論文  参考訳（メタデータ） (2022-05-05T14:25:54Z)
• Robust Multi-view Registration of Point Sets with Laplacian Mixture Model [25.865100974015412]
  重み付きラプラシアン分布に基づいて複数の点集合を整列させる新しい確率的生成法を提案する。 本稿では,提案手法の利点を,ベンチマークの挑戦的データセットに対する最先端手法と比較することによって示す。
  論文  参考訳（メタデータ） (2021-10-26T14:49:09Z)
• Continuation Newton methods with deflation techniques for global optimization problems [3.705839280172101]
  最適化問題のグローバルな最小点はエンジニアリングである。 本稿では,この非線形大規模問題に対する新しいメメティックアルゴリズムについて考察する。 我々の数値実験によると、新しいアルゴリズムは制約のない未制約問題に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-07-29T09:53:49Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Effective Dimension Adaptive Sketching Methods for Faster Regularized Least-Squares Optimization [56.05635751529922]
  スケッチに基づくL2正規化最小二乗問題の解法を提案する。 我々は、最も人気のあるランダム埋め込みの2つ、すなわちガウス埋め込みとサブサンプリングランダム化アダマール変換(SRHT)を考える。
  論文  参考訳（メタデータ） (2020-06-10T15:00:09Z)
• Robust Motion Averaging under Maximum Correntropy Criterion [45.338896018341146]
  本稿では, 最大コレントロピー基準(MCC)に基づく新しいロバストな動き平均化手法を提案する。 特に、コレントロピー測度は、フロベニウスのノルム誤差を利用して、外れ値に対する平均運動のロバスト性を改善するために用いられる。 ベンチマークデータセットを用いた実験結果から,マルチビュー登録における精度とロバスト性に優れた性能を示した。
  論文  参考訳（メタデータ） (2020-04-21T08:52:38Z)
• Quasi-Newton Solver for Robust Non-Rigid Registration [35.66014845211251]
  データフィッティングと正規化のための大域的スムーズなロバスト推定器に基づくロバストな非剛性登録のための定式化を提案する。 本稿では,L-BFGS を用いた最小二乗問題の解法に,各繰り返しを減らし,最大化最小化アルゴリズムを適用した。
  論文  参考訳（メタデータ） (2020-04-09T01:45:05Z)

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。