Outlier-Robust Geometric Perception: A Novel Thresholding-Based Estimator with Intra-Class Variance Maximization

要約

幾何学的認識の問題は、ロボット工学とコンピューター ビジョンにおける基本的なタスクです。
実際のアプリケーションでは、外れ値という避けられない問題に遭遇することが多く、従来のアルゴリズムでは正しい推定ができなくなります。
この論文では、標準的な非最小ソルバーと連携して幾何学的認識問題の外れ値を効率的に排除できる、新しい汎用ロバスト推定器 TIVM (クラス内分散最大化によるしきい値) を紹介します。
まず、クラス内分散最大化の手法を導入して、測定残差に対する動的 2 グループしきい値処理方法を設計し、内値と外れ値を明確に分離することを目的としています。
次に、多層の動的しきい値戦略をサブルーチンとして使用して純粋なインライア グループにアプローチすることでモデルを堅牢に最適化する反復フレームワークを開発します。このフレームワークでは、層数調整のための自己適応メカニズムがさらに採用され、ユーザーの負荷を最小限に抑えます。
定義されたパラメータ。
提案された推定器を 3 つの古典的な幾何学的認識問題 (回転平均化、点群登録、およびカテゴリレベルの認識) で検証します。実験では、外れ値の 70 ～ 90\% に対して堅牢であり、通常は 3 ～ 15 個の範囲で収束することが示されています。
反復回数は、RANSAC、GNC、ADAPT などの最先端の堅牢なソルバーよりもはるかに高速です。
さらに、もう 1 つのハイライトは、問題の内部ノイズ統計が完全に不明な場合でも、私たちの推定器はほぼ同じレベルの堅牢性を維持できることです。

要約(オリジナル)

Geometric perception problems are fundamental tasks in robotics and computer vision. In real-world applications, they often encounter the inevitable issue of outliers, preventing traditional algorithms from making correct estimates. In this paper, we present a novel general-purpose robust estimator TIVM (Thresholding with Intra-class Variance Maximization) that can collaborate with standard non-minimal solvers to efficiently reject outliers for geometric perception problems. First, we introduce the technique of intra-class variance maximization to design a dynamic 2-group thresholding method on the measurement residuals, aiming to distinctively separate inliers from outliers. Then, we develop an iterative framework that robustly optimizes the model by approaching the pure-inlier group using a multi-layered dynamic thresholding strategy as subroutine, in which a self-adaptive mechanism for layer-number tuning is further employed to minimize the user-defined parameters. We validate the proposed estimator on 3 classic geometric perception problems: rotation averaging, point cloud registration and category-level perception, and experiments show that it is robust against 70–90\% of outliers and can converge typically in only 3–15 iterations, much faster than state-of-the-art robust solvers such as RANSAC, GNC and ADAPT. Furthermore, another highlight is that: our estimator can retain approximately the same level of robustness even when the inlier-noise statistics of the problem are fully unknown.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google