基于消息传播的分层表示法用于鲁棒模型拟合
计算机视觉与模式识别
2021-01-01 v1
摘要
本文提出一种新颖的基于消息传播的分层表示（HRMP）方法用于鲁棒模型拟合，该方法同时利用一致性分析和偏好分析，从被外点污染的数据中估计多个模型实例的参数。我们并非独立地分析每个数据点 or 每个模型假设的信息，而是将一致性信息和偏好信息表述为一种分层表示，以减轻对严重外点的敏感性。具体而言，我们首先构建一个由模型假设层和数据点层组成的分层表示。模型假设层用于剔除不显著的模型假设，数据点层用于去除严重外点。然后，基于该分层表示，我们提出一种有效的分层消息传播（HMP）算法和改进的亲和传播（IAP）算法，分别用于剪枝不显著顶点和聚类剩余数据点。所提出的 HRMP 不仅能准确估计多个模型实例的数量与参数，还能处理受大量外点污染的多结构数据。在合成数据和真实图像上的实验结果表明，所提出的 HRMP 在拟合精度和速度方面显著优于几种最先进的模型拟合方法。
引用
@article{arxiv.2012.14597,
title = {Hierarchical Representation via Message Propagation for Robust Model Fitting},
author = {Shuyuan Lin and Xing Wang and Guobao Xiao and Yan Yan and Hanzi Wang},
journal= {arXiv preprint arXiv:2012.14597},
year = {2021}
}