HyperAIHyperAI
منذ 2 أشهر

RANSAC الموجه بالشبكات العصبية: تعلم أين يجب أخذ عينات الفرضيات النموذجية

Brachmann, Eric ; Rother, Carsten
RANSAC الموجه بالشبكات العصبية: تعلم أين يجب أخذ عينات الفرضيات النموذجية
الملخص

نقدم خوارزمية Neural-Guided RANSAC (NG-RANSAC)، وهي امتداد للخوارزمية الكلاسيكية RANSAC من مجال التحسين المحتمل. تستخدم NG-RANSAC المعلومات السابقة لتحسين البحث عن فرضيات النموذج، مما يزيد من فرص العثور على مجموعات أساسية خالية من القيم الشاذة. في المقابل، تستخدم الأعمال السابقة معلومات جانبية تقريبية مثل المسافة بين الوصفيات المصممة يدويًا لتسهيل البحث عن الفرضيات. ومع ذلك، نتعلم البحث عن الفرضيات بطريقة مبدئية تسمح لنا بتحسين الخسارة الخاصة بالمهمة بشكل تعسفي أثناء التدريب، مما يؤدي إلى تحسينات كبيرة في المهام التقليدية لرؤية الحاسوب. نقدم أيضًا امتدادين آخرين لـ NG-RANSAC. أولاً، استخدام عدد النقاط الداخلية كإشارة تدريبية يتيح لنا تدريب الإرشاد العصبي بطريقة ذاتية الإشراف. ثانيًا، نجمع بين الإرشاد العصبي والخوارزمية RANSAC القابلة للمفاضلة لبناء شبكات عصبية تركز على أجزاء معينة من البيانات الإدخال وتجعل التنبؤات الإخراجية جيدة قدر الإمكان. نقوم بتقييم NG-RANSAC على مجموعة واسعة من مهام رؤية الحاسوب، بما في ذلك تقدير الهندسة البؤرية، تقدير خط الأفق، وإعادة تحديد موقع الكاميرا. نحقق نتائج أفضل أو تنافسية مقارنة بالمحكمين المحتملين الأكثر حداثة والأكثر تميزًا، بما في ذلك تلك التي تم تعلمها حديثًا جدًا.