論文の概要: Fixing the RANSAC Stopping Criterion

• arxiv url: http://arxiv.org/abs/2503.07829v1
• Date: Mon, 10 Mar 2025 20:18:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:43:59.063033
• Title: Fixing the RANSAC Stopping Criterion
• Title（参考訳）: RANSACの停止基準の修正
• Authors: Johannes Schönberger, Viktor Larsson, Marc Pollefeys,
• Abstract要約: この論文の主な貢献は、RANSACアルゴリズムに基づいて構築された事実上のシステムに長時間のエラーに対処することにある。 サンプリング確率の近似は、1981年にRANSACの適応的な停止をサポートするために論文によって導かれた。 正確な確率の計算の実装は驚くほど単純であるが、非常に効果的であり、幅広いコンピュータビジョンシステムに大きく影響する可能性がある。
• 参考スコア（独自算出の注目度）: 69.59335489157175
• License:
• Abstract: For several decades, RANSAC has been one of the most commonly used robust estimation algorithms for many problems in computer vision and related fields. The main contribution of this paper lies in addressing a long-standing error baked into virtually any system building upon the RANSAC algorithm. Since its inception in 1981 by Fischler and Bolles, many variants of RANSAC have been proposed on top of the same original idea relying on the fact that random sampling has a high likelihood of generating a good hypothesis from minimal subsets of measurements. An approximation to the sampling probability was originally derived by the paper in 1981 in support of adaptively stopping RANSAC and is, as such, used in the vast majority of today's RANSAC variants and implementations. The impact of this approximation has since not been questioned or thoroughly studied by any of the later works. As we theoretically derive and practically demonstrate in this paper, the approximation leads to severe undersampling and thus failure to find good models. The discrepancy is especially pronounced in challenging scenarios with few inliers and high model complexity. An implementation of computing the exact probability is surprisingly simple yet highly effective and has potentially drastic impact across a large range of computer vision systems.
• Abstract（参考訳）: 数十年の間、RANSACはコンピュータビジョンや関連分野における多くの問題において最もよく使われている堅牢な推定アルゴリズムの1つであった。 この論文の主な貢献は、RANSACアルゴリズムに基づいて構築された事実上のシステムに長時間のエラーに対処することにある。 1981年に Fischler と Bolles によって始められた以来、RANSAC の多くの変種は、ランダムサンプリングが測定の最小部分集合から良い仮説を生成する確率が高いという事実に依存して、同じ元のアイデアの上に提案されてきた。 サンプリング確率の近似は、1981年にRANSACの適応的な停止をサポートするために論文によって導出され、今日のRANSACの変種と実装の大部分で使われている。 この近似の影響は、それ以降のどの作品からも疑問視されているか、徹底的に研究されていない。 この論文で理論的に導出され、実際に実証されるように、近似は深刻なアンダーサンプリングを引き起こし、良いモデルを見つけるのに失敗する。 特に不一致は、インレーヤが少なく、モデルの複雑さが高い、困難なシナリオで顕著である。 正確な確率の計算の実装は驚くほど単純であるが、非常に効果的であり、幅広いコンピュータビジョンシステムに大きく影響する可能性がある。

関連論文リスト

• Controllable RANSAC-based Anomaly Detection via Hypothesis Testing [7.10052009802944]
  RANSAC(制御可能なRANSAC)により得られた異常検出結果をテストするための新しい統計的手法を提案する。 提案手法の主な強みは、予め特定されたレベル以下の異常を誤識別する確率を制御できることにある。 合成および実世界のデータセットで行った実験は、我々の理論結果をしっかりと支えている。
  論文  参考訳（メタデータ） (2024-10-19T15:15:41Z)
• A sparse PAC-Bayesian approach for high-dimensional quantile prediction [0.0]
  本稿では,高次元量子化予測のための確率論的機械学習手法を提案する。 擬似ベイズ的フレームワークとスケールした学生tとランゲヴィン・モンテカルロを併用して効率的な計算を行う。 その効果はシミュレーションや実世界のデータを通じて検証され、そこでは確立された頻繁な手法やベイズ的手法と競合する。
  論文  参考訳（メタデータ） (2024-09-03T08:01:01Z)
• More Efficient Randomized Exploration for Reinforcement Learning via Approximate Sampling [41.21199687865359]
  最近提案されたFeel-Good Thompson Sampling (FGTS) アプローチを用いて,様々な近似サンプリング手法を組み込んだアルゴリズムフレームワークを提案する。 我々の後悔分析は、既存のランダム化アルゴリズムを超越した次元性への後悔の最もよく知られた依存性をもたらす。 我々のアルゴリズムは、RLの深い文献から得られる他の強いベースラインに匹敵する、あるいは同等の性能を達成する。
  論文  参考訳（メタデータ） (2024-06-18T03:32:10Z)
• 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)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Algorithms for Adaptive Experiments that Trade-off Statistical Analysis with Reward: Combining Uniform Random Assignment and Reward Maximization [50.725191156128645]
  トンプソンサンプリングのようなマルチアームバンディットアルゴリズムは適応的な実験を行うのに利用できる。 統計的解析のための一様ランダム化の利点を組み合わせた2つのアルゴリズムを探索する2つのアーム実験のシミュレーションを提案する。
  論文  参考訳（メタデータ） (2021-12-15T22:11:58Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• DPER: Efficient Parameter Estimation for Randomly Missing Data [0.24466725954625884]
  本稿では,1クラス・複数クラスのランダムに欠落したデータセットに対して,最大推定値(MLE)を求めるアルゴリズムを提案する。 我々のアルゴリズムは、データを通して複数のイテレーションを必要としないので、他の方法よりも時間のかかることを約束します。
  論文  参考訳（メタデータ） (2021-06-06T16:37:48Z)
• On Efficient and Robust Metrics for RANSAC Hypotheses and 3D Rigid Registration [51.64236850960365]
  本稿では, 高精度な3次元剛性登録を実現するために, RANSAC仮説の効率的かつ堅牢な評価指標の開発に焦点をあてる。 Inlierとoutlierのコントリビューションを分析し、RANSAC仮説の異なる設計モチベーションを持つ、いくつかの効率的で堅牢なメトリクスを提案する。
  論文  参考訳（メタデータ） (2020-11-10T02:22:45Z)

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。