Zufallsstichprobenkonsens: Robuste Schätzung in der Computer Vision

Random Sample Consensus, auch RANSAC genannt, ist eine iterative Methode, die zur Schätzung der Parameter eines mathematischen Modells basierend auf einer Sammlung verwendet wird der beobachteten Daten, die Ausreißer enthalten. Diese Methode wird in Situationen verwendet, in denen die Ausreißer keinen Einfluss auf die Werte der Schätzungen haben dürfen. Die Schlussfolgerung ist, dass es auch als Werkzeug zur Erkennung von Ausreißern angesehen werden kann. Ein Algorithmus gilt als nicht deterministisch, wenn er nur mit einer bestimmten Wahrscheinlichkeit ein geeignetes Ergebnis erzeugen kann und diese Wahrscheinlichkeit umso größer ist, je mehr Iterationen die Methode zulässt. Im Jahr 1981 waren Fischler und Bolles, die bei SRI International arbeiteten, diejenigen, die den Algorithmus erstmals veröffentlichten. Um das Location Determination Problem (LDP) zu lösen, bei dem es darum geht, die Punkte im Raum zu finden, die auf ein Bild projiziert werden, und diese Punkte dann in eine Reihe von Orientierungspunkten mit bekannten Positionen umzuwandeln, verwendeten sie RANSAC.

Wie Sie davon profitieren werden

(I) Einblicke und Validierungen zu den folgenden Themen:

Kapitel 1: Konsens bei zufälligen Stichproben

Kapitel 2: Schätzer

Kapitel 3: Kleinste Quadrate

Kapitel 4: Ausreißer

Kapitel 5: Kreuzvalidierung (Statistik)

Kapitel 6: Fehler und Residuen

Kapitel 7: Mischungsmodell

Kapitel 8: Robuste Statistiken

Kapitel 9: Bildzusammenfügung

Kapitel 10: Resampling (Statistik)

(II) Beantwortung der häufigsten öffentlichen Fragen zum Zufallsstichprobenkonsens.

(III) Beispiele aus der Praxis für die Verwendung von Zufallsstichprobenkonsens in vielen Bereichen.

Für wen dieses Buch gedacht ist

Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die es wollen über grundlegende Kenntnisse oder Informationen für jede Art von Zufallsstichprobenkonsens hinausgehen.