Generalized Differentiable RANSAC

要約

$\nabla$-RANSAC を提案します。これは、ランダム化されたロバストな推定パイプライン全体を学習できる、一般化された微分可能な RANSAC です。
提案されたアプローチにより、サンプリング分布の勾配を推定するための緩和手法の使用が可能になり、微分可能なソルバーを介して伝播されます。
トレーニング可能な品質関数は、$\nabla$-RANSAC 内で推定されたすべてのモデルからのスコアを周辺化して、正確で有用なインライア確率を学習するネットワークを誘導したり、特徴検出およびマッチング ネットワークをトレーニングしたりします。
私たちの方法は、良い仮説を立てる確率を直接最大化し、より良いサンプリング分布を学習できるようにします。
$\nabla$-RANSAC は、手作りの学習ベースの機能を使用して、屋外と屋内の両方で、基本的かつ必須の行列推定に関する多くの実世界のシナリオでテストされます。
精度の面では最先端のものよりも優れていますが、精度の低い代替品と同様の速度で実行されます。
コードとトレーニング済みモデルは、https://github.com/weitong8591/differentiable_ransac で入手できます。

要約(オリジナル)

We propose $\nabla$-RANSAC, a generalized differentiable RANSAC that allows learning the entire randomized robust estimation pipeline. The proposed approach enables the use of relaxation techniques for estimating the gradients in the sampling distribution, which are then propagated through a differentiable solver. The trainable quality function marginalizes over the scores from all the models estimated within $\nabla$-RANSAC to guide the network learning accurate and useful inlier probabilities or to train feature detection and matching networks. Our method directly maximizes the probability of drawing a good hypothesis, allowing us to learn better sampling distribution. We test $\nabla$-RANSAC on a number of real-world scenarios on fundamental and essential matrix estimation, both outdoors and indoors, with handcrafted and learning-based features. It is superior to the state-of-the-art in terms of accuracy while running at a similar speed to its less accurate alternatives. The code and trained models are available at https://github.com/weitong8591/differentiable_ransac.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google