Finding Geometric Models by Clustering in the Consensus Space

要約

タイトル：コンセンサススペースでのクラスタリングによる幾何学モデルの発見

要約：
– 幾何学モデル（例えば、同次変換）の未知数を発見するための新しいアルゴリズムを提案する。
– 問題は、クリスプな点とモデルの割り当てを形成せずに、支配的なモデルインスタンスを進行的に見つけることとして形式化される。
– 支配的なインスタンスは、先に提案されたインスタンスを考慮したモデル品質関数によるRANSACのようなサンプリングと統合プロセスによって見つかります。
– 新しいモデルは、コンセンサス空間でのクラスタリングによって発見される。
– この新しい問題の定式化により、最新の精度を持つ単純な反復アルゴリズムが生まれ、ビジョン問題においてリアルタイムで実行され、2点視点の運動推定において競合他社より少なくとも2桁速くなります。
– また、現実世界のデータが空間的に一貫した構造を形成する傾向があるという事実を反映した決定論的サンプラを提供しています。
– サンプラは、進行的に密集した近傍グラフ内の連結成分を返します。
– 複数の幾何学モデルを使用することで精度が向上する多数の応用例を紹介します。これには、複数の一般化された同次変換からの姿勢推定、高速物体の軌跡推定、さらにグローバルSfMアルゴリズムで複数の同次変換を使用する方法も提案します。
– ソースコード：https://github.com/danini/clustering-in-consensus-space。

要約(オリジナル)

We propose a new algorithm for finding an unknown number of geometric models, e.g., homographies. The problem is formalized as finding dominant model instances progressively without forming crisp point-to-model assignments. Dominant instances are found via a RANSAC-like sampling and a consolidation process driven by a model quality function considering previously proposed instances. New ones are found by clustering in the consensus space. This new formulation leads to a simple iterative algorithm with state-of-the-art accuracy while running in real-time on a number of vision problems – at least two orders of magnitude faster than the competitors on two-view motion estimation. Also, we propose a deterministic sampler reflecting the fact that real-world data tend to form spatially coherent structures. The sampler returns connected components in a progressively densified neighborhood-graph. We present a number of applications where the use of multiple geometric models improves accuracy. These include pose estimation from multiple generalized homographies; trajectory estimation of fast-moving objects; and we also propose a way of using multiple homographies in global SfM algorithms. Source code: https://github.com/danini/clustering-in-consensus-space.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI