研究纸试图重新审视 Sampson 近似,并提供新的理论洞察力,解释了这一近似在何时何地有效,并在一些温和的假设下提供了明确的收敛边界。通过对真实数据和不同的几何估计任务进行验证,我们得出了一些实验证明了我们的理论结果。
Jan, 2024
基于最小化截断的欧氏距离的平均旋转方法,具有较强的抗干扰性能,优于当前领先的方法。
Sep, 2023
通过将符合预测区域与鲁棒优化联系起来,提供了有限样本有效且保守的椭圆形不确定性集,称为符合不确定性集。
May, 2021
通过引入注意机制和一步变压器,我们提出了一种新的 RANSAC 框架,其学习通过考虑迄今为止观察到的残差来探索参数空间,并在实验中表现出了显著的性能提升和良好的泛化性能。
Jul, 2023
通过将 GMS(基于网格的运动统计)与 RANSAC(随机抽样一致性)结合,加速了 Visual SLAM 方法,提高了特征匹配的准确性,从而减少了系统的实时性能影响。
Feb, 2024
本文提出了一种强大的估计器,可用于拟合相同形式的多个参数模型以测量噪声。该方法基于数据学习搜索策略,利用先前检测到的模型进行神经网络传递学习,并指导 RANSAC 估计器以不同的子集找到模型实例。作者为消失点估计贡献了新数据集,该方法在消失点估计方面表现优异,并在多透视图下表现出优越性能。
Jan, 2020
针对基于三元或四元距离比较嵌入点的问题,以及只提供局部比较的变体问题,本文在最近关于序数嵌入的研究基础上,得出了大样本一致性结果和收敛速率,并受到其他相关研究的启发,对需要实现一致性所需的比较次数进行了限制。
Jan, 2015
使用本地 PCA 算法估计嵌入的欧几里得空间中光滑紧致亚流形的维数和正切空间需要的样本点数具有数学严格的上界,该估计考虑了非均匀数据分布和可能跨越亚流形变化的噪声,并允许在多个点上同时进行估计。
Oct, 2021
本文讨论如何在旋转的航拍图像中高效地检测目标物体。我们针对传统八参数方法中使用的非比例损失函数(L1,L2 和平滑 L1)与检测度量旋转交集联合(IoU)的不稳定性,提出了一种新的基于马氏距离的损失函数,称之为马氏距离损失(MDL)。我们的实验结果表明,与传统的平滑 L1(smooth L1)损失相比,使用 MDL 在旋转目标检测方面表现更加优异。
Apr, 2022
本文介绍了一种快速且鲁棒的方法来近似计算多变量正态分布之间的 Fisher-Rao 距离,同时将正态分布流形通过微分同胚嵌入到高维对称正定锥面的子流形中,并使用锥面上的投影 Hilbert 距离作为距离度量,通过拉回锥面距离来获得正态分布之间的距离和平滑路径,这种方法在计算复杂度上比 Fisher-Rao 距离近似方法更轻量级,在聚类任务中具有应用价值。