論文の概要: Robust Ellipsoid Fitting Using Axial Distance and Combination

• arxiv url: http://arxiv.org/abs/2304.00517v2
• Date: Fri, 22 Sep 2023 12:23:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-25 19:03:04.676703
• Title: Robust Ellipsoid Fitting Using Axial Distance and Combination
• Title（参考訳）: 軸距離と組合せを用いたロバスト楕円型フィッティング
• Authors: Min Han, Jiangming Kan, Gongping Yang, and Xinghui Li
• Abstract要約: ランダムサンプルコンセンサス(RANSAC)では、楕円体フィッティングの問題は点からモデルまでの距離を最小化する問題として定式化することができる。 代数的距離から変換される軸距離と呼ばれる新しい距離計量を提案する。 軸方向距離とサンプソン距離の組合せを用いて, 試料集束型楕円体フィッティング法を提案する。
• 参考スコア（独自算出の注目度）: 15.39157287924673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In random sample consensus (RANSAC), the problem of ellipsoid fitting can be formulated as a problem of minimization of point-to-model distance, which is realized by maximizing model score. Hence, the performance of ellipsoid fitting is affected by distance metric. In this paper, we proposed a novel distance metric called the axial distance, which is converted from the algebraic distance by introducing a scaling factor to solve nongeometric problems of the algebraic distance. There is complementarity between the axial distance and Sampson distance because their combination is a stricter metric when calculating the model score of sample consensus and the weight of the weighted least squares (WLS) fitting. Subsequently, a novel sample-consensus-based ellipsoid fitting method is proposed by using the combination between the axial distance and Sampson distance (CAS). We compare the proposed method with several representative fitting methods through experiments on synthetic and real datasets. The results show that the proposed method has a higher robustness against outliers, consistently high accuracy, and a speed close to that of the method based on sample consensus.
• Abstract（参考訳）: ランダムサンプルコンセンサス (RANSAC) では, モデルスコアの最大化によって実現される点間距離の最小化問題として楕円体フィッティングの問題を定式化することができる。 したがって、楕円型フィッティングの性能は距離計量に影響される。 本稿では,代数的距離の非幾何学的問題を解くためのスケーリング係数を導入することで,代数的距離から変換される軸距離と呼ばれる新しい距離メトリックを提案する。 サンプルコンセンサスのモデルスコアと重み付き最小二乗(WLS)フィッティングの重みを計算する際に、それらの組み合わせがより厳密な計量であるため、軸距離とサンプソン距離の間に相補性がある。 次に, 軸方向距離とサンプソン距離(CAS)の組合せを用いて, 試料集束型楕円体フィッティング法を提案する。 提案手法を,合成および実データを用いた実験により,いくつかの代表的フィッティング法と比較した。 その結果,提案手法は異常値に対するロバスト性が高く,一貫して精度が高く,サンプルコンセンサスに基づく手法に近い速度を示した。

関連論文リスト

• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Nearest Neighbor Sampling for Covariate Shift Adaptation [7.940293148084844]
  重みを推定しない新しい共変量シフト適応法を提案する。 基本的な考え方は、ソースデータセットの$k$-nearestの隣人によってラベル付けされたラベル付けされていないターゲットデータを直接扱うことだ。 実験の結果, 走行時間を大幅に短縮できることがわかった。
  論文  参考訳（メタデータ） (2023-12-15T17:28:09Z)
• Diffeomorphic Mesh Deformation via Efficient Optimal Transport for Cortical Surface Reconstruction [40.73187749820041]
  メッシュ変形は、動的シミュレーション、レンダリング、再構成を含む多くの3次元視覚タスクにおいて重要な役割を果たす。 現在のディープラーニングにおける一般的なアプローチは、2つのメッシュからランダムにサンプリングされた2つの点雲とシャンファーの擬似距離を比較することで、2つの面間の差を測定するセットベースアプローチである。 本稿では,メッシュのスライスされたワッサーシュタイン距離を,セットベースアプローチを一般化する確率測度として表現したメッシュ変形の学習指標を提案する。
  論文  参考訳（メタデータ） (2023-05-27T19:10:19Z)
• Robust Ellipsoid-specific Fitting via Expectation Maximization [0.0]
  楕円体フィッティングは、物体の検出や形状近似などのマシンビジョンに一般的に関心がある。 騒音に富んだ3次元環境下でのエリプシドフィッティングの新規でロバストな手法を提案する。 本手法は楕円体固有であり, パラメータフリーであり, 騒音, 外れ値, 大軸比に対して頑健である。
  論文  参考訳（メタデータ） (2021-10-26T00:43:02Z)
• A Stochastic Newton Algorithm for Distributed Convex Optimization [62.20732134991661]
  均質な分散凸最適化のためのNewtonアルゴリズムを解析し、各マシンが同じ人口目標の勾配を計算する。 提案手法は,既存の手法と比較して,性能を損なうことなく,必要な通信ラウンドの数,頻度を低減できることを示す。
  論文  参考訳（メタデータ） (2021-10-07T17:51:10Z)
• Kernel distance measures for time series, random fields and other structured data [71.61147615789537]
  kdiffは、構造化データのインスタンス間の距離を推定するためのカーネルベースの新しい尺度である。 これはインスタンス間の自己類似性と交差類似性の両方を考慮し、距離分布の低い定量値を用いて定義される。 kdiffをクラスタリングと分類問題のための距離尺度として用いた分離性条件について,いくつかの理論的結果が得られた。
  論文  参考訳（メタデータ） (2021-09-29T22:54:17Z)
• Instance-Optimal Compressed Sensing via Posterior Sampling [101.43899352984774]
  後部サンプリング推定器がほぼ最適回復保証を達成できることを示す。 本稿では,Langevin dynamics を用いた深部生成前駆体の後方サンプリング推定器を実装し,MAP よりも精度の高い推定値が得られることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-21T22:51:56Z)
• MongeNet: Efficient Sampler for Geometric Deep Learning [17.369783838267942]
  MongeNetは高速かつ最適なトランスポートベースのサンプリングツールで、より優れた近似特性を備えたメッシュの正確な識別を可能にする。 本手法をユビキタスなランダムな一様サンプリングと比較し,近似誤差がほぼ半分であり,計算オーバーヘッドが非常に小さいことを示す。
  論文  参考訳（メタデータ） (2021-04-29T17:59:01Z)
• The Unbalanced Gromov Wasserstein Distance: Conic Formulation and Relaxation [0.0]
  距離測度空間(すなわち確率分布を持つ距離空間)を比較することは、多くの機械学習問題の中心である。 そのような距離空間の間の最も一般的な距離は計量測度Gro-Wasserstein (GW) 距離であり、その距離は二次である。 GW の定式化は、任意の正測度を持つ距離空間の比較を等距離まで緩和する。
  論文  参考訳（メタデータ） (2020-09-09T12:38:14Z)
• Minimax Optimal Estimation of KL Divergence for Continuous Distributions [56.29748742084386]
  Kullback-Leibler の同一および独立に分布するサンプルからの発散は、様々な領域において重要な問題である。 単純で効果的な推定器の1つは、これらのサンプル間の近辺 k に基づいている。
  論文  参考訳（メタデータ） (2020-02-26T16:37:37Z)

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。