論文の概要: $H$-RANSAC, an algorithmic variant for Homography image transform from
featureless point sets: application to video-based football analytics
- arxiv url: http://arxiv.org/abs/2310.04912v1
- Date: Sat, 7 Oct 2023 20:56:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 14:38:01.420914
- Title: $H$-RANSAC, an algorithmic variant for Homography image transform from
featureless point sets: application to video-based football analytics
- Title（参考訳）: $H$-RANSAC - 特徴のない点集合からのホログラフィー画像変換のアルゴリズム的変種:ビデオベースフットボール分析への応用
- Authors: George Nousias, Konstantinos Delibasis, Ilias Maglogiannis
- Abstract要約: 局所特徴ベクトルと点ペアリングを伴わない変換集合からホモグラフィーを検索するための一般化されたRANSACアルゴリズムを提案する。
提案手法は、実際のフットボールの試合中にカメラが取得した画像の大規模なデータセット上でテストされる。
- 参考スコア（独自算出の注目度）: 1.1970409518725493
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Estimating homography matrix between two images has various applications like
image stitching or image mosaicing and spatial information retrieval from
multiple camera views, but has been proved to be a complicated problem,
especially in cases of radically different camera poses and zoom factors. Many
relevant approaches have been proposed, utilizing direct feature based, or deep
learning methodologies. In this paper, we propose a generalized RANSAC
algorithm, H-RANSAC, to retrieve homography image transformations from sets of
points without descriptive local feature vectors and point pairing. We allow
the points to be optionally labelled in two classes. We propose a robust
criterion that rejects implausible point selection before each iteration of
RANSAC, based on the type of the quadrilaterals formed by random point pair
selection (convex or concave and (non)-self-intersecting). A similar post-hoc
criterion rejects implausible homography transformations is included at the end
of each iteration. The expected maximum iterations of $H$-RANSAC are derived
for different probabilities of success, according to the number of points per
image and per class, and the percentage of outliers. The proposed methodology
is tested on a large dataset of images acquired by 12 cameras during real
football matches, where radically different views at each timestamp are to be
matched. Comparisons with state-of-the-art implementations of RANSAC combined
with classic and deep learning image salient point detection indicates the
superiority of the proposed $H$-RANSAC, in terms of average reprojection error
and number of successfully processed pairs of frames, rendering it the method
of choice in cases of image homography alignment with few tens of points, while
local features are not available, or not descriptive enough. The implementation
of $H$-RANSAC is available in https://github.com/gnousias/H-RANSAC
- Abstract（参考訳）: 2つの画像間のホモグラフィ行列の推定には、画像縫合や画像モザイク、複数のカメラビューからの空間情報検索など様々な応用があるが、特に急激な異なるカメラポーズやズームファクターの場合、複雑な問題であることが証明されている。
多くの関連するアプローチが提案されており、直接的特徴ベース、あるいはディープラーニング手法を利用している。
本稿では,局所的特徴ベクトルと点ペアリングを伴わない点集合からホモグラフィ画像変換を検索するための一般化されたRANSACアルゴリズムH-RANSACを提案する。
ポイントを2つのクラスに任意にラベル付けることを許可します。
本稿では,ランダムな点対選択(凸や凹凸,非自己交差)によって形成される四辺形の種類に基づいて,RANSACの各反復前に不明瞭な点選択を拒否する頑健な基準を提案する。
同様のポストホックな基準は、各イテレーションの最後に、意味のないホモグラフィ変換を拒絶する。
期待される$H$-RANSACの最大イテレーションは、画像ごとのポイント数とクラスごとのポイント数、アウトレーヤの割合に応じて、異なる成功の確率で導出される。
提案手法は、実際のフットボールの試合中に12台のカメラが取得した画像の大規模なデータセットでテストされる。
ransacの最先端の実装と古典的および深層学習画像のサルエント点検出との比較は、平均再投影誤差とうまく処理されたフレームの個数の観点から、提案されている$h$-ransacの優れていることを示している。
H$-RANSACの実装はhttps://github.com/gnousias/H-RANSACで利用可能である。
関連論文リスト
- Pentagon-Match (PMatch): Identification of View-Invariant Planar Feature
for Local Feature Matching-Based Homography Estimation [2.240487187855135]
コンピュータビジョンにおいて、画像間の正確な点対応を見つけることは、画像縫合、画像検索、視覚的位置決めなど、多くのアプリケーションにおいて重要な役割を担っている。
これらの研究の多くは、RANSACのようなサンプリング手法が使われる前に局所的な特徴のマッチングに焦点を合わせ、初期マッチング結果の検証を行う。
ペンタゴン・マッチ (Pentagon-Match, PMatch) は、ペンタゴンをランダムにサンプリングし、初期一致したキーポイントの正当性を検証するために提案される。
論文 参考訳（メタデータ） (2023-05-27T12:41:23Z) - High-fidelity Pseudo-labels for Boosting Weakly-Supervised Segmentation [17.804090651425955]
画像レベルの弱い教師付きセグメンテーション(WSSS)は、トレーニング中にセグメンテーションマスクを代理することで、通常膨大なデータアノテーションコストを削減する。
本研究は,GAPの代替となる重要サンプリングと特徴類似性損失という,CAMを改善するための2つの手法に基づく。
複数の独立二項問題の後部二項問題に基づいて両手法を再構成する。
パフォーマンスが向上し、より一般的なものになり、事実上あらゆるWSSSメソッドを増強できるアドオンメソッドが出来上がります。
論文 参考訳（メタデータ） (2023-04-05T17:43:57Z) - A Geometrically Constrained Point Matching based on View-invariant
Cross-ratios, and Homography [2.050924050557755]
ビュー不変クロス比(CR)に基づく初期一致SIFTキーポイントの正当性検証のための幾何学的制約付きアルゴリズムを提案する。
これらのキーポイントからペンタゴンをランダムに形成し、画像間の形状と位置をCRとマッチングすることにより、堅牢な平面領域推定を効率的に行うことができる。
実験結果から,複数平面領域の複数シーンで良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2022-11-06T01:55:35Z) - Space-Partitioning RANSAC [30.255457622022487]
RANSACモデルの品質計算を高速化する新しいアルゴリズムを提案する。
この方法は、例えば2D-2D点対応などの関節対応空間を2つの正則格子に分割することに基づいている。
RANSACの実行時間を41%削減するが、精度は確実に低下しない。
論文 参考訳（メタデータ） (2021-11-24T10:10:04Z) - DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。
本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。
登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
論文 参考訳（メタデータ） (2021-04-08T04:27:32Z) - Efficient Initial Pose-graph Generation for Global SfM [56.38930515826556]
本稿では,グローバルなStructure-from-Motionアルゴリズムの初期ポーズグラフ生成を高速化する方法を提案する。
アルゴリズムは1DSfMデータセットから402130の画像ペアでテストされる。
論文 参考訳（メタデータ） (2020-11-24T09:32:03Z) - Permuted AdaIN: Reducing the Bias Towards Global Statistics in Image
Classification [97.81205777897043]
近年の研究では、畳み込みニューラルネットワーク分類器は形状を犠牲にしてテクスチャを過度に依存していることが示されている。
一方、形状と局所像の区別は類似しているが異なるが、一方、グローバル画像統計は異なる。
提案手法は,pAdaIN (Permuted Adaptive Instance Normalization) と呼ばれ,画像分類器の隠蔽層におけるグローバル統計の表現を減少させる。
論文 参考訳（メタデータ） (2020-10-09T16:38:38Z) - Inter-Image Communication for Weakly Supervised Localization [77.2171924626778]
弱教師付きローカライゼーションは、画像レベルの監督のみを使用して対象対象領域を見つけることを目的としている。
我々は,より正確な物体位置を学習するために,異なる物体間の画素レベルの類似性を活用することを提案する。
ILSVRC検証セット上でトップ1のローカライズ誤差率45.17%を達成する。
論文 参考訳（メタデータ） (2020-08-12T04:14:11Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳（メタデータ） (2020-07-20T12:07:48Z) - RANSAC-Flow: generic two-stage image alignment [53.11926395028508]
単純な教師なしのアプローチは、様々なタスクにおいて驚くほどうまく機能することを示す。
その単純さにもかかわらず、我々の手法は様々なタスクやデータセットで競合する結果を示す。
論文 参考訳（メタデータ） (2020-04-03T12:37:58Z)
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。