論文の概要: Less Biased Noise Scale Estimation for Threshold-Robust RANSAC

• arxiv url: http://arxiv.org/abs/2503.13433v1
• Date: Mon, 17 Mar 2025 17:57:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:29:59.011672
• Title: Less Biased Noise Scale Estimation for Threshold-Robust RANSAC
• Title（参考訳）: Threshold-Robust RANSACの低バイアスノイズスケール推定
• Authors: Johan Edstedt,
• Abstract要約: 画像マッチングによる相対的なポーズを頑健に推定するためのゴールドスタンダードはRANSACである。 ノイズスケール推定法であるSIMFITを再検討し,ノイズスケール推定のバイアスを求める。 本稿では,SIMFIT++のマルチペア拡張を推定値のフィルタリングにより提案し,その結果を改善する。
• 参考スコア（独自算出の注目度）: 0.9065034043031668
• License:
• Abstract: The gold-standard for robustly estimating relative pose through image matching is RANSAC. While RANSAC is powerful, it requires setting the inlier threshold that determines whether the error of a correspondence under an estimated model is sufficiently small to be included in its consensus set. Setting this threshold is typically done by hand, and is difficult to tune without a access to ground truth data. Thus, a method capable of automatically determining the optimal threshold would be desirable. In this paper we revisit inlier noise scale estimation, which is an attractive approach as the inlier noise scale is linear to the optimal threshold. We revisit the noise scale estimation method SIMFIT and find bias in the estimate of the noise scale. In particular, we fix underestimates from using the same data for fitting the model as estimating the inlier noise, and from not taking the threshold itself into account. Secondly, since the optimal threshold within a scene is approximately constant we propose a multi-pair extension of SIMFIT++, by filtering of estimates, which improves results. Our approach yields robust performance across a range of thresholds, shown in Figure 1.
• Abstract（参考訳）: 画像マッチングによる相対的なポーズを頑健に推定するためのゴールドスタンダードはRANSACである。 RANSACは強力であるが、推定されたモデルの下での対応の誤差が、その合意セットに含まれるのに十分小さいかどうかを決定する不整合しきい値を設定する必要がある。 このしきい値の設定は手作業で行うのが一般的であり、地上の真実データにアクセスせずにチューニングすることは困難である。 したがって、最適なしきい値を自動的に決定できる方法が望ましい。 本稿では,高次雑音尺度が最適しきい値に線形であることから,高次雑音尺度の推定法を再検討する。 ノイズスケール推定法であるSIMFITを再検討し,ノイズスケール推定のバイアスを求める。 特に、入射雑音を推定するモデルに同じデータを適用することと、閾値自体を考慮しないことによる過小評価を修正する。 第2に,シーン内の最適しきい値がほぼ一定であるため,推定値のフィルタリングによりSIMFIT++のマルチペア拡張を提案する。 当社のアプローチでは,図1に示すような,さまざまなしきい値にわたる堅牢なパフォーマンスを実現しています。

関連論文リスト

• ARMAX identification of low rank graphical models [0.6906005491572401]
  大規模システムでは複雑な内部関係がしばしば存在し、このような相互接続システムは低階のプロセスによって効果的に記述できる。 既存の下級識別アプローチは、ノイズを明示的に考慮しないことが多く、弱い雑音の下でも無視できない不正確さにつながった。
  論文  参考訳（メタデータ） (2025-01-16T15:43:32Z)
• Theoretical Analysis of Explicit Averaging and Novel Sign Averaging in Comparison-Based Search [6.883986852278248]
  ブラックボックス最適化では、目的関数のノイズは避けられない。 明示的平均化は、単純で汎用的なノイズハンドリング技術として広く利用されている。 あるいは、手話平均化は単純だが頑健なノイズハンドリング手法として提案される。
  論文  参考訳（メタデータ） (2024-01-25T08:35:50Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Label Noise: Correcting the Forward-Correction [0.0]
  ラベルノイズのあるデータセット上でニューラルネットワーク分類器を訓練することは、ノイズのあるラベルに過度に適合するリスクをもたらす。 ラベルノイズによる過度適合に対処する手法を提案する。 本研究は, オーバーフィッティングを緩和するために, トレーニング損失に低い限界を課すことを提案する。
  論文  参考訳（メタデータ） (2023-07-24T19:41:19Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
  GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。 我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。 本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
  論文  参考訳（メタデータ） (2023-01-23T19:57:58Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)
• Estimating Rank-One Spikes from Heavy-Tailed Noise via Self-Avoiding Walks [13.879536370173506]
  ノイズ分布の一般クラスに関する対称スパイク行列モデルについて検討する。 ガウス雑音に対しても最適なBBPしきい値まで重み付き雑音を推定する推定器を示す。 我々の推定器はカラーコーディング技術を用いて自己回避ウォークを数えることで時間的に評価できる。
  論文  参考訳（メタデータ） (2020-08-31T16:57:20Z)

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。