machine-learning - prosac算法实现细节、意义和重要性

Question

我知道 Prosac 算法是 Ransac 算法的修改版本，它根据数据点的质量进行采样。但是，我无法理解算法实现的细节。具体来说，我无法理解第 1 步和第 2 步中的两个“如果”。为什么它们在算法中意味着什么，它们的重要性是什么？

参考：

与 PROSAC 匹配——渐进式样本共识http://cmp.felk.cvut.cz/~matas/papers/chum-prosac-cvpr05.pdf

Answer 1

让我们从在这里定义变量开始。

变量

N：样本总数。

m：几何模型的复杂度。

t：循环的迭代次数。

n*：终止长度（停止前要考虑的样本数）。

TN：定义在多少个样本 PROSAC 与 RANSAC 等效之后的参数。

Tn ：来自n个排名靠前的点的平均样本数。

Tn' : Tn的上限值

第一部分

第一个if检查您是否已经用尽了可能的样本（意味着您已经采样了Tn'个样本）。因此，为避免再次对已采样的样本进行采样，您需要增加考虑的点数。如果n < n* ，您可以增加数字，这意味着您不能考虑超过n*点，即您的停止标准。

第二部分

对于第二个 if，我们必须查看Tn'相对于t的行为。我们知道，当t = Tn'时，我们在考虑的点集中添加一个点。因此，Tn'将始终大于t，除非我们无法采样更多点，也就是当n = n*（第一个 if）时。

当我们考虑n*排名靠前的点时，Tn'将停止增长，并且t最终将变得更大或等于Tn'。

因此，只要t不超过Tn'，我们就会对 PROSAC 方式进行采样（点n和m-1点从顶部n-1开始。

当我们至少采样了Tn'次时，我们就像 RANSAC 一样，从n*个排名靠前的点的所有点中采样m个点。