空間検証

モデルに適合しない外れ値の影響を回避するため、対象となるモデルに一致するインラインのみを考慮します。外れ値を選択して現在の設定を計算すると、結果として得られる線は他の点からの支持がほとんど得られません。実行されるアルゴリズムは、以下の手順を実行するループです。

1. 入力データセット全体から、ランダムにサブセットを選択してモデルを推定します。
2. モデルサブセットを計算します。モデルは標準的な線形アルゴリズムを用いて推定されます。
3. 変換の対応する値を見つけます。
4. 誤差が最小モデルであれば、それは受け入れられ、対応点の数が十分に多ければ、コンセンサスアセンブリに関与する点のサブセットが参照される。そして、すべての対応点において推定モデルを計算することになる。

目標は、最も多くの一致が得られたモデルを保持することですが、主な問題は、モデルの最適な推定値を得るためにプロセスを繰り返す回数です。RANSACは、アルゴリズムの反復回数を事前に設定します。

シーンやオブジェクトを指定するために、空間検証を行うには、一般的にアフィン変換が使用されます。

これは、一連のパラメトリック図形に対する投票手順を通じて、モデルに属する点のクラスターによって空間の真偽を判定する、デジタル画像内の形状を検出する技術である。

すべての可能な組み合わせが特性を検証できるわけではないため、各可能な部分集合ごとにモデルを調整し、各ポイントが使用される各可能な行に対して投票を保存する投票手法を採用します。次に、最も多くの票を獲得した行を観察し、それらを選択します。

スケール、回転、並進不変の局所的な特性を用いると、各特徴の一致によって、画像内のモデルのスケール、並進、向きに関する仮説的な位置合わせが得られます。

単一のマッチングから生成された仮説は信頼性に欠ける可能性があるため、各マッチング（マッチ）ごとに投票を行い、ハフ空間においてより強力な仮説を得ます。したがって、大きく分けて2つのフェーズがあります。

• トレーニング：各特性モデルについて、モデルの位置、スケール、および向きが2Dで保存されます。
• テスト：各マッチングはSIFTアルゴリズムによって実行され、モデル特性はハフ空間で投票されます。

主な欠点は以下のとおりです。

• ノイズや雑然とした状況は、客観性を提供しようとする人々からのより多くのフィードバックを示す可能性がある。
• ストレージアレイのサイズは慎重に選択する必要があります。