基于主成分分析学习秩降低插值
计算机视觉与模式识别
2017-03-16 v1
摘要
在计算机视觉中，大多数稀疏与稠密的迭代优化算法都依赖于一个粗略但可靠的稠密初始化来引导其优化过程。例如，稠密光流算法如果在所用损失函数的收敛域内得到良好的初始化，其速度与鲁棒性将大幅提升。同样，对于稀疏特征跟踪等方法，当需要为任意位置的新特征提供初始流或深度信息时也是如此。这使得掌握一种技术变得极为重要：该技术允许仅从极少的可用测量中获取所需 2D 结构（如深度图、光流、视差图等）的稠密但近似的草图。该 2D 图被视为 2D 随机过程的样本。本文提出的方法利用了该过程主成分分析（PCA）给出的完整信息、主基及其先验分布。该方法能够从稀疏测量中确定稠密重建。当面对仅有极稀疏测量的情况时，主成分的数量通常会被进一步减少，这会导致基的表达能力受损。我们通过最大后验概率（MAP）方法克服了这一问题并注入了先验知识。我们在 KITTI 和虚拟 KITTI 数据集上测试了该方法，并重点关注驾驶场景深度图的插值。结果评估显示其与真实值高度吻合，且明显优于忽略统计信息的最近邻插值方法的结果。
引用
@article{arxiv.1703.05061,
title = {Learning Rank Reduced Interpolation with Principal Component Analysis},
author = {Matthias Ochs and Henry Bradler and Rudolf Mester},
journal= {arXiv preprint arXiv:1703.05061},
year = {2017}
}
备注
Accepted at Intelligent Vehicles Symposium (IV), Los Angeles, USA, June 2017