DSAC——用于相机定位的可微分RANSAC
计算机视觉与模式识别
2018-03-22 v4
摘要
RANSAC是鲁棒优化中的重要算法，也是许多计算机视觉应用的核心构建模块。近年来，传统的手工设计流水线已被深度学习流水线取代，后者可以以端到端的方式进行训练。然而，迄今为止RANSAC尚未被用作此类深度学习流水线的一部分，因为其假设选择过程是不可微分的。在这项工作中，我们提出了两种不同的方法来克服这一限制。最有前景的方法受强化学习启发，即用概率选择取代确定性的假设选择，并可针对所有可学习参数推导其期望损失。我们将此方法称为DSAC，即可微分的RANSAC对应方法。我们将DSAC应用于相机定位问题，在该问题上深度学习迄今未能改进传统方法。我们证明，通过直接最小化由RANSAC鲁棒估计的输出相机位姿的期望损失，我们实现了精度的提升。未来，任何深度学习流水线都可以将DSAC用作鲁棒优化组件。
引用
@article{arxiv.1611.05705,
title = {DSAC - Differentiable RANSAC for Camera Localization},
author = {Eric Brachmann and Alexander Krull and Sebastian Nowozin and Jamie Shotton and Frank Michel and Stefan Gumhold and Carsten Rother},
journal= {arXiv preprint arXiv:1611.05705},
year = {2018}
}
备注
CVPR 2017