面向非刚性形状的无模型一致性最大化
计算机视觉与模式识别
2018-08-14 v2
摘要
许多计算机视觉方法使用一致性最大化（consensus maximization）将含有外点的测量与正确的变换模型相关联。在刚性形状的背景下，这通常使用随机采样一致性（Random Sampling and Consensus, RANSAC）通过估计与大多数测量（内点）一致的分析模型来完成。然而，小的参数模型可能并不总是可用。在本文中，我们使用测量上的“规则”将无模型一致性最大化表述为图上的整数规划。然后我们提供了一种使用分支定界（Branch and Bound, BnB）范式来最优求解它的方法。我们将其应用聚焦于非刚性形状，在该应用中我们将该方法用于去除外点 3D 对应关系，并取得了优于最先进方法的性能。我们的方法可处理高达 80\% 的外点率。我们进一步推导了用于 3D 模板到图像匹配的类似表述，取得了与最先进方法相似或更好的性能。
引用
@article{arxiv.1807.01963,
title = {Model-free Consensus Maximization for Non-Rigid Shapes},
author = {Thomas Probst and Ajad Chhatkuli and Danda Pani Paudel and Luc Van Gool},
journal= {arXiv preprint arXiv:1807.01963},
year = {2018}
}
备注
ECCV18