[論文レビュー] Progressive-X+: Clustering in the Consensus Space.

Dániel Baráth, Denys Rozumnyi+3 more|arXiv (Cornell University)|Mar 25, 2021

Data Management and Algorithms参考文献 62被引用数 4

ひとこと要約

Progressive-X+ は、一連の反復的でリアルタイムなアルゴリズムであり、一連の幾何的モデル（例えばホモグラフィー）を、RANSACに類似したサンプリングとコンSENSUS空間におけるクラスタリングを通じて、未知の数のモデルインスタンスを段階的に特定することで、未知の数の幾何的モデルを検出する。品質駆動型の統合プロセスと空間的に一貫性のあるサンプラーを用いることで、マルチモデルビジョンタスクにおける高いロバスト性を実現し、最先端の精度を達成する。

ABSTRACT

We propose Progressive-X+, a new algorithm for finding an unknown number of geometric models, e.g., homographies. The problem is formalized as finding dominant model instances progressively without forming crisp point-to-model assignments. Dominant instances are found via RANSAC-like sampling and a consolidation process driven by a model quality function considering previously proposed instances. New ones are found by clustering in the consensus space. This new formulation leads to a simple iterative algorithm with state-of-the-art accuracy while running in real-time on a number of vision problems. Also, we propose a sampler reflecting the fact that real-world data tend to form spatially coherent structures. The sampler returns connected components in a progressively growing neighborhood-graph. We present a number of applications where the use of multiple geometric models improves accuracy. These include using multiple homographies to estimate relative poses for global SfM; pose estimation from generalized homographies; and trajectory estimation of fast-moving objects.

研究の動機と目的

• モデル数の事前知識がなくとも、コンピュータビジョンにおける未知の数の幾何的モデルを検出する課題に対処すること。
• ポーズ推定やトラジェクトリトラッキングなどのマルチモデル推定タスクにおける精度と効率を向上させること。
• 現実世界のデータに内在する空間的整合性を反映するサンプリング戦略を開発し、モデル検出の信頼性を向上させること。
• 複数の幾何的構造を含む複雑なビジョン問題をリアルタイムで処理できること。
• グローバルSfM、一般化されたホモグラフィー推定、高速移動物体のトラッキングなど、多様な応用に適用可能な統合フレームワークを提供すること。

提案手法

• Progressive-X+ は、コンSENSUS空間におけるRANSACに類似したサンプリングを用いて、反復的に候補モデルを提示する。
• モデル品質関数が、以前に検出されたインスタンスを評価・統合し、新たな主要モデルの発見を導く。
• 新しいモデルインスタンスは、コンSENSUS空間におけるクラスタリングによって特定され、明確な点-モデル割り当てを避ける。
• 独自の空間的に一貫性のあるサンプラーは、成長する近接グラフ内で連結成分を生成し、現実世界のデータ構造を反映する。
• アルゴリズムは反復的に動作し、モデル数を入力とせず、段階的にモデル検出を精緻化する。
• 軽量で効率的な設計により、複数のビジョンアプリケーションでリアルタイム性能を実現する。

実験結果

リサーチクエスチョン

• RQ1 モデル数が未知である場合、幾何的モデル検出をどのように効率的かつ正確に行えるか？
• RQ2 現実世界のデータに内在する空間的整合性を活用することで、マルチモデル推定におけるサンプリングのロバスト性を向上させられるか？
• RQ3 コンSENSUS空間におけるクラスタリングは、従来の点-モデル割り当てに比べて、マルチモデルフィッティングでどれほど優れているか？
• RQ4 事前モデル数が不明な状況でも、品質駆動型の統合プロセスが主要モデルの検出を向上させられるか？
• RQ5 複数の幾何的モデルを含む複雑なビジョンタスクにおいて、Progressive-X+ はリアルタイムでどの程度の性能を発揮するか？

主な発見

• Progressive-X+ は、ベンチマーク評価において、既存手法を上回る最先端の精度を達成し、マルチモデル幾何フィッティングタスクで優れた性能を示す。
• アルゴリズムはリアルタイムで実行可能であり、オンラインおよびインタラクティブビジョンアプリケーションに適している。
• 空間的に一貫性のあるサンプラーにより、データ内での連結で妥当な構造を優遇することで、モデル検出の信頼性が向上する。
• コンSENSUS空間におけるクラスタリングにより、明確な点-モデル割り当てを必要とせず、新たなモデルの効果的発見が可能になる。
• 複数のホモグラフィーをモデル化することで、グローバルSfMにおける相対ポーズ推定の精度が向上する。
• 複数の運動構造をモデル化することで、高速移動物体の正確なトラジェクトリ推定が可能になる。