🔎 RANSAC – Definición y Explicaciones

introducción

RANSAC Es un acrónimo de «Random Sample Consensus». Es un método iterativo para estimar los parámetros de un modelo matemático a partir de un conjunto de datos observados que contienen valores atípicos. Es un algoritmo no determinista. sentido (SENS (Estrategias de envejecimiento de ingeniería desatendidas) es un proyecto científico que tiene como objetivo…) Produce un resultado válido solo con una existencia dada. probable (Probabilidad (del latín probabilitas) es una evaluación del carácter probable de…)esta probabilidad aumenta a medida que aumenta número (La idea de número en lingüística se trata en el artículo «Número…») Grandes iteraciones. El algoritmo fue publicado por primera vez por Fischler y Bolles en 1981.

La suposición subyacente es que los datos consisten en «valores internos», es decir, datos cuya distribución puede explicarse por un juntos (En la teoría de conjuntos, un conjunto define axiomáticamente un conjunto…) parámetros del modelo y «outliers» que son datos que no corresponden al modelo elegido. Además, los datos pueden enviarse a Ruido (En su significado normal, la palabra ruido se aproxima al significado principal de la palabra sonido….). Los valores atípicos pueden provenir, por ejemplo, de valores extremos de ruido, mediciones erróneas o suposiciones erróneas sobre la interpretación de datos. RANSAC (RANSAC es un acrónimo de «RANdom SAmple Consensus». Es una manera…) También asume que, dado un conjunto (generalmente pequeño) de valores internos, existe un procedimiento que permite estimar los parámetros del modelo de una manera que explica estos datos de manera óptima.

Ejemplo

Un ejemplo simple es superponer una línea bidimensional en una serie decomentarios (La observación es el acto de seguir atentamente los fenómenos, sin querer verlos…). Se supone que este conjunto contiene tanto valores intrínsecos, es decir, puntos que se pueden superponer aproximadamente en la línea, como valores atípicos (outliers), puntos que están lejos de este patrón de línea. tratamiento sencillo b método de mínimos cuadrados (Método de mínimos cuadrados, desarrollado independientemente por Legendre en…) Dará como resultado una línea inapropiada en los valores internos. De hecho, la línea encajará perfectamente en todos los puntos, incluidos los atípicos. Por otro lado, RANSAC puede construir un modelo que considere solo valores coincidentes, siempre que la probabilidad de seleccionar solo valores coincidentes en la selección de datos sea lo suficientemente alta. Sin embargo, no hay garantía de obtener este Situación (En geografía, la posición es un concepto espacial que permite la ubicación relativa de…)y hay una serie de parámetros de algoritmo que deben elegirse cuidadosamente para mantener este nivel de probabilidad lo suficientemente alto.

Un conjunto de datos con demasiados valores atípicos para los que se debe ajustar una línea.

La línea se modificó utilizando el método RANSAC y los valores atípicos no tuvieron efecto en el resultado.

algoritmo

El algoritmo general RANSAC funciona, en pseudocódigo, de la siguiente manera:

      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      

Posibles variantes del algoritmo RANSAC:

• Detenga el ciclo maestro si se encuentra un patrón lo suficientemente bueno, es decir, con un error lo suficientemente pequeño. puede ahorrar tiempo (El tiempo es un concepto desarrollado por los humanos para entender…) De la cuenta, a cuenta de un sesión (Un parámetro en un sentido amplio es un elemento de información que debe ser considerado…) adicional.
• Calcular erreur Directo desde modèle_possiblesin reestimar el modelo a partir de ensemble_points. Puede ahorrar tiempo a costa de comparar errores con modelos que se estiman por un pequeño número de puntos y por lo tanto son más sensibles al ruido.