G2MF-WA:基于弱标注数据的几何多模型拟合
计算机视觉与模式识别
2020-01-22 v1
摘要
本文尝试解决几何多模型拟合问题,借助少量弱标注(WA)数据点,该问题迄今研究甚少。在弱标注中,大多数人工标注被认为是正确的,但不可避免地混杂有误标。WA 数据可通过交互方式自然获取以用于特定任务,例如,在单应性估计中,通过观察图像可轻松用单一标签标注同一平面/物体上的点。受此启发,我们提出一种新方法,充分利用 WA 数据以提升多模型拟合性能。具体而言,首先利用 WA 数据构建用于模型提议采样的图,给定先验:标注相同弱标签的 WA 数据有高概率被分配到同一模型。通过将此先验知识纳入边概率的计算,位于/接近潜在模型上的顶点(即数据点)很可能连接在一起,并进一步形成子集/簇以有效生成提议。利用生成的提议,采用 -expansion 进行标注,我们的方法反过来更新提议。这以迭代方式进行。大量实验验证了我们的方法,并表明所提方法在大多数情况下比最先进技术产生明显更好的结果。
引用
@article{arxiv.2001.06965,
title = {G2MF-WA: Geometric Multi-Model Fitting with Weakly Annotated Data},
author = {Chao Zhang and Xuequan Lu and Katsuya Hotta and Xi Yang},
journal= {arXiv preprint arXiv:2001.06965},
year = {2020}
}