machine-learning - prosac算法实现细节、意义和重要性

Question

据我所知，Prosac算法是Ransac算法的修改版本，它根据数据点的质量进行采样。但是，我无法理解算法实现的细节。具体来说，我无法理解步骤1和步骤2中的两个“如果”。它们在算法中的含义是什么以及它们的重要性是什么？

引用:

与PROSAC匹配——渐进样本共识http://cmp.felk.cvut.cz/~matas/papers/chum-prosac-cvpr05.pdf

Answer 1

让我们首先定义此处起作用的变量。

变量

N:样本总数。

m:几何模型的复杂度。

t:循环的迭代次数。

n*:终止长度(停止前要考虑的样本数)。

TN:定义多少个样本后 PROSAC 变得等同于 RANSAC 的参数。

Tn:n 个排名最高的点的平均样本数。

Tn':Tn的上限值

第一部分

第一个if检查您是否已经用尽了可能的样本(意味着您已经采样了Tn'样本)。因此，为了避免再次对已采样的样本进行采样，您需要增加考虑的点的数量。如果 n < n*，您可以增加该数字，这意味着您不能考虑超过 n* 点，即您的停止标准。

第二部分

对于第二个 if，我们必须查看 Tn' 相对于 t 的行为。我们知道，当t = Tn'时，我们在考虑的点集中添加一个点。因此，Tn' 将始终大于 t，除非我们无法采样更多点，即 n = n*(首先如果)。

当我们考虑n*个排名最高的点时，Tn'将停止增长，t最终将变得更大或等于<强>Tn'。

所以，只要t不超过Tn'，我们就会采用PROSAC方式进行采样(点n和m距顶部 n-1 -1 分。

当我们采样至少Tn'次时，我们就像RANSAC一样，从n*顶部的所有点中采样m个点-排名积分。