Generalized Differentiable RANSAC

要約

私たちは、ランダム化されたロバスト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 である $\nabla$-RANSAC を提案します。
提案されたアプローチでは、サンプリング分布の勾配を推定するための緩和技術の使用が可能になり、その後、微分可能ソルバーを通じて伝播されます。
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、ネットワーク学習の正確で有用なインライア確率をガイドしたり、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することができます。
私たちの方法は、適切な仮説を導き出す確率を直接最大化し、より良い標本分布を学習できるようにします。
$\nabla$-RANSAC を、手作りの学習ベースの機能を使用して、基本的かつ重要な行列推定と 3D 点群登録に関するさまざまな現実世界のシナリオで、屋外および屋内でテストします。
精度の点では最新のものよりも優れており、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されたモデルは、https://github.com/weitong8591/Differenceiable_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 distributions. We test $\nabla$-RANSAC on various real-world scenarios on fundamental and essential matrix estimation, and 3D point cloud registration, 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