神经引导RANSAC：学习在何处采样模型假设
计算机视觉与模式识别
2019-08-01 v2
摘要
我们提出神经引导RANSAC（NG-RANSAC），这是对经典鲁棒优化RANSAC算法的扩展。NG-RANSAC利用先验信息改进模型假设搜索，增加找到无离群点最小集的机会。先前的工作使用启发式侧信息（如手工设计的描述子距离）来引导假设搜索。相反，我们以原则性方式学习假设搜索，使其在训练期间能优化任意任务损失，从而在经典计算机视觉任务上带来大幅改进。我们提出NG-RANSAC的两个进一步扩展。首先，使用内点计数本身作为训练信号，使我们能以自监督方式训练神经引导。其次，我们将神经引导与可微RANSAC结合，构建专注于输入数据特定部分并使输出预测尽可能好的神经网络。我们在广泛的计算机视觉任务上评估NG-RANSAC，即本质几何估计、地平线估计与相机重定位。相较于最先进的鲁棒估计器（包括最新的学习型估计器），我们取得了优越或具竞争力的结果。
引用
@article{arxiv.1905.04132,
title = {Neural-Guided RANSAC: Learning Where to Sample Model Hypotheses},
author = {Eric Brachmann and Carsten Rother},
journal= {arXiv preprint arXiv:1905.04132},
year = {2019}
}
备注
ICCV 2019