《计算机视觉中的多视图几何》笔记(5)

5 Algorithm Evaluation and Error Analysis

本章主要讲述对算法的验证和误差分析。

概述了两种计算这种不确定性(协方差)的方法。第一个基于线性近似值,涉及串联各种雅各布表达式,第二个是更容易实施蒙特卡洛方法。

文章目录

  • [5 Algorithm Evaluation and Error Analysis](#5 Algorithm Evaluation and Error Analysis)
    • [5.1 Bounds on performance](#5.1 Bounds on performance)
    • [5.2 Covariance of the estimated transformation H H H的协方差](#5.2 Covariance of the estimated transformation H H H的协方差)
    • [5.3 Monte Carlo estimation of covariance](#5.3 Monte Carlo estimation of covariance)

5.1 Bounds on performance

一旦开发出一种算法来估计某种类型的转换,就该测试其性能了。 这可以通过对真实或合成数据进行测试来完成。 在本节中,将对合成数据进行测试。

我们先重申一些在前面章节使用到的符号约定:

  • x x x之类的表示测量的图像点。
  • 估计值由hat表示,例如 x ^ \hat{x} x^或 H ^ \hat{H} H^。
  • 真实值由bar表示,例如 x ˉ \bar{x} xˉ或 H ˉ \bar{H} Hˉ。

5.1.1 Error in one image

首先再来明确一下 x ^ ′ \hat{x}' x^′的定义, x ↔ x ′ x \leftrightarrow x' x↔x′是一对有噪声的 对应点,所以从 x ↔ x ′ x \leftrightarrow x' x↔x′估计出的 H H H其实不满足 x ′ = H x x'=Hx x′=Hx,总是含有误差的。那么我们可以记 x ^ ′ = H x \hat{x}'=Hx x^′=Hx,那么 x ^ \hat{x} x^就和 x x x是完美匹配的,对 x ′ x' x′也可以找出这么一对完美匹配的点。那么在一张图上的误差就是:

ϵ r e s = ( 1 2 n ∑ i = 1 n d ( x i ′ , x i ^ ′ ) 2 ) 1 2 \epsilon_{res} = (\frac{1}{2n}\sum_{i=1}^{n} d(x'_i,\hat{x_i}')^{2})^{\frac{1}{2}} ϵres=(2n1i=1∑nd(xi′,xi^′)2)21

5.1.2 Error in both images

两张图的误差就是:

ϵ r e s = 1 4 n ( ∑ i = 1 n d ( x i , x i ^ ) 2 + ∑ i = 1 n d ( x i ′ , x i ^ ′ ) 2 ) 1 2 \epsilon_{res} = \frac{1}{\sqrt{4n}}(\sum_{i=1}^{n} d(x_{i},\hat{x_{i}})^{2} + \sum_{i=1}^{n} d(x'{i},\hat{x{i}}')^{2})^{\frac{1}{2}} ϵres=4n 1(i=1∑nd(xi,xi^)2+i=1∑nd(xi′,xi^′)2)21

最大后验概率误差的期望(几何误差)

最小化几何误差等于求最大后验概率,既然从概率角度考虑,那么我们就求误差的期望。

书中给出的结论是:在N维空间中有协方差为 N σ N\sigma Nσ的高斯噪声,我们要求d个自由度的投影变换,那么有如下公式:

  1. x x x到 x ^ \hat{x} x^的误差是 σ ( 1 − d / N ) 1 / 2 \sigma(1-d/N)^{1/2} σ(1−d/N)1/2
  2. x x x到 x ˉ \bar{x} xˉ的误差是 σ ( 1 − d / N ) 1 / 2 \sigma(1-d/N)^{1/2} σ(1−d/N)1/2, x ˉ \bar{x} xˉ是真实值ground truth,是没有噪声的点

5.2 Covariance of the estimated transformation H H H的协方差

H H H的协方差主要是来计算方差的,方差衡量 H H H本身有多准确, H H H有9个变量,那么它的协方差矩阵就是 9 × 9 9 \times 9 9×9

那么一张图上的这个协方差矩阵怎么算,书中给出了如下公式:

Σ h = ( J f T Σ x J f ) \Sigma_h=(J_f^T \Sigma_x J_f) Σh=(JfTΣxJf)

其中, Σ x \Sigma_x Σx是噪声,也就是高斯分布的协方差矩阵, J f J_f Jf是雅可比矩阵,可以根据对应点用p146 5.11式算出。

两张图上的协方差可以用p147 5.2.5节的公式计算。

5.3 Monte Carlo estimation of covariance

先找若干对匹配点,算出一个 H H H,然后再人为加上噪声,再计算一个 H ′ H' H′,这样就可以计算协方差矩阵,进而计算方差。

相关推荐
Dann Hiroaki29 分钟前
笔记分享: 哈尔滨工业大学CS31002编译原理——02. 语法分析
笔记·算法
KhalilRuan1 小时前
Unity-MMORPG内容笔记-其三
笔记
九年义务漏网鲨鱼1 小时前
【大模型学习 | MINIGPT-4原理】
人工智能·深度学习·学习·语言模型·多模态
元宇宙时间1 小时前
Playfun即将开启大型Web3线上活动,打造沉浸式GameFi体验生态
人工智能·去中心化·区块链
开发者工具分享1 小时前
文本音频违规识别工具排行榜(12选)
人工智能·音视频
产品经理独孤虾2 小时前
人工智能大模型如何助力电商产品经理打造高效的商品工业属性画像
人工智能·机器学习·ai·大模型·产品经理·商品画像·商品工业属性
老任与码2 小时前
Spring AI Alibaba(1)——基本使用
java·人工智能·后端·springaialibaba
kfepiza2 小时前
Debian的`/etc/network/interfaces`的`allow-hotplug`和`auto`对比讲解 笔记250704
linux·服务器·网络·笔记·debian
蹦蹦跳跳真可爱5892 小时前
Python----OpenCV(图像増强——高通滤波(索贝尔算子、沙尔算子、拉普拉斯算子),图像浮雕与特效处理)
人工智能·python·opencv·计算机视觉
雷羿 LexChien2 小时前
从 Prompt 管理到人格稳定:探索 Cursor AI 编辑器如何赋能 Prompt 工程与人格风格设计(上)
人工智能·python·llm·编辑器·prompt