.png){kind=icon}
返回
An Efficient Multi-Estimation-Based Parameter Centroid Decision via Linear Regression Approach
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2026.3653765.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种新颖的用于局部优化的局部优化随机抽样一致算法（LO-RANSAC）的后处理方法，称为基于多估计的参数质心（MEPC）决策。观察到假设生成和评估的最优阈值在包含内层RANSAC的局部优化中存在差异。我们引入了一种新的三元标记方法，使用两个阈值将内点、中间点和离群点区分开，而非传统的二元标记。实验结果表明，通过三元方法测量的最高得分模型比通过现有二元方法测量的模型更接近真实模型。然而，需要注意的是，由于数据噪声导致的评估不准确，最高得分仍然不对应最佳模型。我们引入了一种新的线性模型质心决策方法，以补偿被噪声扭曲的最高得分模型。在此过程中，我们引入了一种高效的方法来测量两个假设之间的相似度，并通过比较它们与最高得分模型的相似度来找到接近真实模型的候选。我们的方法确定了多个候选假设的代表模型，该模型被定义为超平面的几何质心。我们在单应性、基础矩阵和本质矩阵的各种数据集上进行了测试，证明了将MEPC应用于现有RANSAC算法可以实现更准确和稳定的模型估计。此外，消失点检测的额外实验表明，我们的方法在各类模型估计应用中具有潜力。
Keyword:
RANSAC
local optimization
computer vision
epipolar geometry
期刊
IF:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容