🔎RANSAC – Definizione e Spiegazioni

introduzione

RANSAC È l’acronimo di “RANDom Sample Consensus”. È un metodo iterativo per stimare i parametri di un modello matematico da un insieme di dati osservati contenenti valori anomali. È un algoritmo non deterministico senso (SENS (Neglected Engineering Aging Strategies) è un progetto scientifico che mira a…) Produce un risultato valido solo con una data esistenza probabile (La probabilità (dal latino probabilitas) è una valutazione del carattere probabile di…)questa probabilità aumenta man mano che aumenta numero (L’idea di numero in linguistica è trattata nell’articolo “Numero…”) Grandi iterazioni. L’algoritmo è stato pubblicato per la prima volta da Fischler e Bolles nel 1981.

L’assunto sottostante è che i dati siano costituiti da “valori interni”, cioè dati la cui distribuzione può essere spiegata da a insieme (Nella teoria degli insiemi, un insieme definisce assiomaticamente un insieme…) parametri del modello e “valori anomali” che sono dati che non corrispondono al modello scelto. Inoltre, i dati possono essere inviati a Rumore (Nel suo significato normale, la parola rumore si avvicina al significato principale della parola suono….). I valori anomali possono provenire, ad esempio, da valori di rumore estremi, misurazioni errate o ipotesi errate sull’interpretazione dei dati. RANSAC (RANSAC è l’acronimo di “RANdom SAmple Consensus”. È un modo…) Presuppone inoltre che, dato un insieme (solitamente piccolo) di valori interni, esista una procedura che consenta di stimare i parametri del modello in modo da spiegare in modo ottimale questi dati.

Esempio

Un semplice esempio è la sovrapposizione di una linea bidimensionale in una serie diAppunti (L’osservazione è l’atto di seguire vigile i fenomeni, senza volerli vedere…). Si presume che questo insieme contenga sia valori intrinseci, ovvero punti che possono essere sovrapposti approssimativamente su una linea, sia valori anomali (valori anomali), che sono punti lontani da questo modello di linea. trattamento semplice b metodo dei minimi quadrati (Metodo dei minimi quadrati, sviluppato indipendentemente da Legendre in …) Risulterà in una riga inappropriata nei valori interni. In effetti, la linea si adatta perfettamente a tutti i punti, compresi i valori anomali. D’altra parte, RANSAC può costruire un modello che consideri solo valori corrispondenti, a condizione che la probabilità di selezionare solo valori corrispondenti nella selezione dei dati sia sufficientemente elevata. Tuttavia, non vi è alcuna garanzia di ottenerlo Situazione (In geografia, la posizione è un concetto spaziale che consente la posizione relativa di…)e ci sono una serie di parametri dell’algoritmo che devono essere scelti con cura per mantenere questo livello di probabilità sufficientemente alto.

Un set di dati con molti valori anomali che la linea deve essere modificata.

La linea è stata modificata utilizzando il metodo RANSAC e gli outlier non hanno avuto alcun effetto sul risultato.

algoritmo

L’algoritmo generale RANSAC funziona, in pseudocodice, come segue:

      entrées:          data - un ensemble d'observations          modele - un modèle qui peut être ajusté à des données          n - le nombre minimum de données nécessaires pour ajuster le modèle          k - le nombre maximal d'itérations de l'algorithme          t - une valeur seuil pour déterminer si une donnée (Dans les technologies de l'information (TI), une donnée est une description élémentaire, souvent...) correspond à un modèle          d - le nombre de données proches des valeurs nécessaires pour faire valoir que le modèle correspond bien aux données      

      sorties:          meilleur_modèle - les paramètres du modèle qui correspondent le mieux aux données (ou zéro (Le chiffre zéro (de l’italien zero, dérivé de l’arabe sifr,...) si aucun bon modèle a été trouvé)          meilleur_ensemble_points - données à partir desquelles ce modèle a été estimé          meilleure_erreur - l'erreur de ce modèle par rapport aux données            itérateur:= 0      meilleur_modèle:= aucun      meilleur_ensemble_points:= aucun      meilleure_erreur:= infini (Le mot « infini » (-e, -s ; du latin finitus,...)      tant que itérateur Pour chaque point (Graphie) des données pas dans points_aléatoires              si le point s'ajuste au modèle_possible avec une erreur inférieure à t                  Ajouter un point à ensemble_points                    si le nombre d'éléments dans ensemble_points est > d              (ce qui implique que nous avons peut-être trouvé un bon modèle,              on teste maintenant dans quelle mesure il est correct)              modèle_possible:= paramètres du modèle réajusté à tous les points de ensemble_points              erreur:= une mesure de la manière dont ces points correspondent au modèle_possible              si erreur (nous avons trouvé un modèle qui est mieux que tous les précédents,                  le garder jusqu'à ce qu'un meilleur soit trouvé)                  meilleur_modèle:= modèle_possible                  meilleur_ensemble_points:= ensemble_points                  meilleure_erreur:= erreur                     incrémention de l’itérateur            retourne meilleur_modèle, meilleur_ensemble_points, meilleure_erreur      

Possibili varianti dell’algoritmo RANSAC:

• Interrompi il ciclo principale se viene trovato un modello abbastanza buono, cioè con un errore abbastanza piccolo. può salvare tempo (Il tempo è un concetto sviluppato dagli umani per capire…) Dal conto, per conto di a sessione (Un parametro in senso lato è un elemento di informazione che deve essere considerato…) aggiuntivo.
• Calcolare erreur Diretto da modèle_possiblesenza stimare nuovamente il modello da ensemble_points. Può risparmiare tempo a scapito del confronto degli errori con modelli che sono stimati da un piccolo numero di punti e sono quindi più sensibili al rumore.