[論文レビュー] Progressive NAPSAC: sampling from gradually growing neighborhoods

Dániel Baráth, Maksym Ivashechkin+1 more|arXiv (Cornell University)|Jun 5, 2019

Robotics and Sensor-Based Localization参考文献 24被引用数 7

ひとこと要約

プログレッシブNAPSAC（P-NAPSAC）は、初期点の周囲の徐々に拡大する近傍からサンプリングすることで、コンピュータビジョンにおけるロバスト推定を高速化し、局所的な効率性とグローバルなロバスト性を両立する。USAC*に統合された結果、PROSACと比較して反復回数を34%削減し、10,691個のホモグラフィーおよびファンダメンタル行列モデルにおいて、より低い失敗率で高速収束を達成した。

ABSTRACT

We propose Progressive NAPSAC, P-NAPSAC in short, which merges the advantages of local and global sampling by drawing samples from gradually growing neighborhoods. Exploiting the fact that nearby points are more likely to originate from the same geometric model, P-NAPSAC finds local structures earlier than global samplers. We show that the progressive spatial sampling in P-NAPSAC can be integrated with PROSAC sampling, which is applied to the first, location-defining, point. P-NAPSAC is embedded in USAC, a state-of-the-art robust estimation pipeline, which we further improve by implementing its local optimization as in Graph-Cut RANSAC. We call the resulting estimator USAC*. The method is tested on homography and fundamental matrix fitting on a total of 10,691 models from seven publicly available datasets. USAC* with P-NAPSAC outperforms reference methods in terms of speed on all problems.

研究の動機と目的

• 空間的に一貫したインライアーを検出するためのグローバルRANSACサンプラーの非効率性を、局所的な点の近接性を活用することで是正すること。
• NAPSACのような完全に局所的なサンプラーが最小サンプリングにおいて悪条件や退化解を引き起こすという限界を克服すること。
• プログレッシブな近傍サンプリングをPROSACの順序付け戦略とGC-RANSACの局所最適化と統合し、より優れたロバスト推定を実現すること。
• データ構造に応じて動的に適応するサンプリング戦略を開発し、グローバルな正確性を損なわずに早期に局所モデルを検出可能にすること。
• ファンダメンタル行列およびホモグラフィー推定におけるUSACパイプラインの速度と信頼性を著しく向上させること。

提案手法

• P-NAPSACは、最初の点を中心とする徐々に拡大するハイパースフィアからサンプリングを行い、初期半径を小さくして段階的に増大させることで、局所的およびグローバルなサンプリングのバランスをとる。
• サンプリング半径はデータ構造に応じて増大し、局所的なインライアークラスタの早期検出を可能にすると同時に、過度に局所化されたサンプルによる退化解を回避する。
• P-NAPSACはPROSACと統合され、PROSACの点順序付けを用いて初期点を選択し、その後プログレッシブな近傍サンプリングを適用して早期収束を促進する。
• この手法はUSAC*に埋め込まれ、空間的整合性に配慮したリファインメントをグラフカットRANSAC（GC-RANSAC）を用いて局所最適化を強化し、モデル品質を向上させる。
• 処理時間と正確性のトレードオフを可能にするために、γでパrameter化された緩められた終了基準が導入されている。
• アルゴリズムは、ファンダメンタル行列推定には7点法および8点法ソルバー、ホモグラフィー推定には4点法ソルバーを用い、インライアー集合は正規化最小二乗法で精錬された。

実験結果

リサーチクエスチョン

• RQ1 プログレッシブな近傍サンプリングは、PROSACのようなグローバルサンプラーと比較して、局所的なインライアー構造をより早期に検出できるか？
• RQ2 局所的およびグローバル的サンプリング戦略を融合させることで、ロバスト推定における収束に必要な反復回数を削減できるか？
• RQ3 P-NAPSACは、モデルの正確性や失敗率を維持または向上させつつ、最先端のサンプラーを上回る速度を達成できるか？
• RQ4 緩められた終了基準（γ）は、処理時間と推定品質のトレードオフにどのように影響するか？
• RQ5 GC-RANSACおよびPROSACと統合されたP-NAPSACは、USACパイプライン全体の性能をどの程度向上できるか？

主な発見

• P-NAPSACは、すべてのデータセットでテストされたサンプラーの中で最も早期に終了を達成し、PROSACと比較して反復回数を34%削減した。
• 平均して、P-NAPSACはPROSAC（2番目に速いサンプラー）と比較して0.66倍の反復回数で済ませ、USAC*パイプラインの大幅な高速化を実現した。
• P-NAPSACは他の手法と比較して0.1百分率ポイント低い失敗率を達成し、インライアー比と幾何的誤差はベースライン手法と同等またはそれ以上であった。
• γ = 0.1の緩められた終了基準により、処理時間を70%短縮（1.0から0.3の相対値に）したが、誤差と失敗率の増加はわずか（約0.8から1.0に）にとどまった。
• ファンダメンタル行列推定において、P-NAPSACは一様サンプリングおよびPROSACと同等の幾何的誤差を達成したが、処理時間は半分にまで短縮された。
• 7つの公開データセットから得た10,691個のモデルにおいて、P-NAPSACを統合したUSAC*は、すべての問題において参照手法を上回る速度を示し、一貫した高速化を実証した。