Dinamicka analiza scena

Транскрипт

1 Dinamička analiza 3D scena procjena parametara modela Zoran Kalafatić i Siniša Šegvić Zavod za elektroniku, mikroelektroniku, računalne i inteligentne sustave Fakultet elektrotehnike i računarstva Sveučilište u Zagrebu Dinamička analiza scena: 1/35)

2 UVOD Procjena (estimacija) parametara modela: jedna od uspješnih paradigmi modernog računalnog vida Dinamička analiza scena: Uvod 2/35)

3 UVOD Procjena (estimacija) parametara modela: jedna od uspješnih paradigmi modernog računalnog vida Vid: ekstrakcija informacije iz slika transformacija 2D objekta: translacija, sličnost, homografija položaj kamere: relativni (relative), apsolutni (absolute pose) geometrija svijeta (scene reconstruction, structure from motion) položaj objekata: pronalaženje (detection), praćenje (tracking) identitet objekta: prepoznavanje (recognition) Dinamička analiza scena: Uvod 2/35)

4 UVOD Procjena (estimacija) parametara modela: jedna od uspješnih paradigmi modernog računalnog vida Vid: ekstrakcija informacije iz slika transformacija 2D objekta: translacija, sličnost, homografija položaj kamere: relativni (relative), apsolutni (absolute pose) geometrija svijeta (scene reconstruction, structure from motion) položaj objekata: pronalaženje (detection), praćenje (tracking) identitet objekta: prepoznavanje (recognition) Ideja: informaciju predstaviti parametrima matematičkog modela estimirati iz velikog skupa opažanja statističkim metodama! Dinamička analiza scena: Uvod 2/35)

5 UVOD (2) Što bi bio model? Dinamička analiza scena: Uvod (2) 3/35)

6 UVOD (2) Što bi bio model? apriorno znanje o sceni ili efektu Dinamička analiza scena: Uvod (2) 3/35)

7 UVOD (2) Što bi bio model? apriorno znanje o sceni ili efektu Npr, afina trans. kao model prividnog kretanja planarne značajke I n (x) = I 0 (A x + d) Dinamička analiza scena: Uvod (2) 3/35)

8 UVOD (2) Što bi bio model? apriorno znanje o sceni ili efektu Npr, afina trans. kao model prividnog kretanja planarne značajke I n (x) = I 0 (A x + d) Npr, Euklidska trans. kao model gibanja nepokretne scene X 2 = R X 1 + T Dinamička analiza scena: Uvod (2) 3/35)

9 UVOD (2) Što bi bio model? apriorno znanje o sceni ili efektu Npr, afina trans. kao model prividnog kretanja planarne značajke I n (x) = I 0 (A x + d) Npr, Euklidska trans. kao model gibanja nepokretne scene X 2 = R X 1 + T Npr, epipolarno ograničenje kao model odnosa korespondentnih značajki nepokretne scene x 2 F x 1 = 0 Dinamička analiza scena: Uvod (2) 3/35)

10 UVOD (3) Estimacijska teorija se bavi procjenjivanjem parametara modela iz mnoštva podataka degradiranih šumom Dinamička analiza scena: Uvod (3) 4/35)

11 UVOD (3) Estimacijska teorija se bavi procjenjivanjem parametara modela iz mnoštva podataka degradiranih šumom Šum obično modelira odstupanja uslijed nesavršenog modela 2D transformacija ne može precizno objasniti deformacije značajki koje nisu planarne pronalaženje korespondencija ne može biti točno u piksel (transformacija izgleda ovisi o paralaksi i 3D strukturi) vanjski utjecaji koji ne uzrokuju velika odstupanja: osvjetljenje, zamućenje, termalni šum :-),... Dinamička analiza scena: Uvod (3) 4/35)

12 UVOD (3) Estimacijska teorija se bavi procjenjivanjem parametara modela iz mnoštva podataka degradiranih šumom Šum obično modelira odstupanja uslijed nesavršenog modela 2D transformacija ne može precizno objasniti deformacije značajki koje nisu planarne pronalaženje korespondencija ne može biti točno u piksel (transformacija izgleda ovisi o paralaksi i 3D strukturi) vanjski utjecaji koji ne uzrokuju velika odstupanja: osvjetljenje, zamućenje, termalni šum :-),... Ideja: iz mnoštva djelomično kontradiktornih podataka izvući najvjerodostojniju ili najvjerojatniju interpretaciju! Dinamička analiza scena: Uvod (3) 4/35)

13 UVOD (4) Često pretpostavljamo normalni nepristrani šum (normalna razdioba obično dobar model znanja o neznanju) Dinamička analiza scena: Uvod (4) 5/35)

14 UVOD (4) Često pretpostavljamo normalni nepristrani šum (normalna razdioba obično dobar model znanja o neznanju) Npr, kod stereo vida, položaj značajke često označavamo: q i = q i + q i, uz q x,q y N(0,σ 2 ) Dinamička analiza scena: Uvod (4) 5/35)

15 UVOD (4) Često pretpostavljamo normalni nepristrani šum (normalna razdioba obično dobar model znanja o neznanju) Npr, kod stereo vida, položaj značajke često označavamo: q i = q i + q i, uz q x,q y N(0,σ 2 ) Ideja: dizajnirati metode koje će rezultirati statistički boljim rezultatima uz pretpostavljeni model šuma!! Dinamička analiza scena: Uvod (4) 5/35)

16 UVOD (5) Koncept šuma primjenljiv samo za umjerena odstupanja Dinamička analiza scena: Uvod (5) 6/35)

17 UVOD (5) Koncept šuma primjenljiv samo za umjerena odstupanja Za veća odstupanja potrebno uvesti koncept izvanpopulacijskih podataka (outliera) koji se ne pokoravaju dominantnom modelu Dinamička analiza scena: Uvod (5) 6/35)

18 UVOD (5) Koncept šuma primjenljiv samo za umjerena odstupanja Za veća odstupanja potrebno uvesti koncept izvanpopulacijskih podataka (outliera) koji se ne pokoravaju dominantnom modelu Izvanpopulacijske korespondencije za model nepokretne scene: korepondencija nastala asocijacijskom pogreškom (upareni su različiti objekti sličnog izgleda) ispravna korespondencija projekcije s pokretnog objekta Dinamička analiza scena: Uvod (5) 6/35)

19 UVOD (5) Koncept šuma primjenljiv samo za umjerena odstupanja Za veća odstupanja potrebno uvesti koncept izvanpopulacijskih podataka (outliera) koji se ne pokoravaju dominantnom modelu Izvanpopulacijske korespondencije za model nepokretne scene: korepondencija nastala asocijacijskom pogreškom (upareni su različiti objekti sličnog izgleda) ispravna korespondencija projekcije s pokretnog objekta Ideja: dizajnirati robustne metode koje mogu detektirati i zanemariti izvanpopulacijska mjerenja! Dinamička analiza scena: Uvod (5) 6/35)

20 UVOD (6) Motivacija za teoriju estimacije: Dinamička analiza scena: Uvod (6) 7/35)

21 UVOD (6) Motivacija za teoriju estimacije: Računalni vid je disciplina u kojoj obično obra dujemo redundantne podatke, u prisustvu šuma i outliera (dobivamo sustav jednadžbi s viškom ograničenja) Dinamička analiza scena: Uvod (6) 7/35)

22 UVOD (6) Motivacija za teoriju estimacije: Računalni vid je disciplina u kojoj obično obra dujemo redundantne podatke, u prisustvu šuma i outliera (dobivamo sustav jednadžbi s viškom ograničenja) Želimo gledati (izlučivati parametre) na način da: 1. svi unutarpopulacijski podatci doprinose rješenju 2. rezultat u prisustvu plauzibilnog šuma bude statistički povoljan 3. vanpopulacijski parametri ne ometaju točan rezultat Dinamička analiza scena: Uvod (6) 7/35)

23 UVOD (6) Motivacija za teoriju estimacije: Računalni vid je disciplina u kojoj obično obra dujemo redundantne podatke, u prisustvu šuma i outliera (dobivamo sustav jednadžbi s viškom ograničenja) Želimo gledati (izlučivati parametre) na način da: 1. svi unutarpopulacijski podatci doprinose rješenju 2. rezultat u prisustvu plauzibilnog šuma bude statistički povoljan 3. vanpopulacijski parametri ne ometaju točan rezultat Okvir za postizanje tih svojstava daje teorija estimacije. Dinamička analiza scena: Uvod (6) 7/35)

24 LINEARNI SUSTAVI Primjer broj jedan: provući pravac kroz zadani skup 2D točaka Dinamička analiza scena: Linearni sustavi 8/35)

25 LINEARNI SUSTAVI Primjer broj jedan: provući pravac kroz zadani skup 2D točaka Model podataka: pravac Dinamička analiza scena: Linearni sustavi 8/35)

26 LINEARNI SUSTAVI Primjer broj jedan: provući pravac kroz zadani skup 2D točaka Model podataka: pravac Model šuma: djeluje na koordinatu y, nezavisan, identično distribuiran prema N(0, σ) [Wikipedia] Dinamička analiza scena: Linearni sustavi 8/35)

27 LINEARNI SUSTAVI (2) Obično je ovakve probleme najlakše i najnepreciznije rješavati u projekcijskoj domeni Dinamička analiza scena: Linearni sustavi (2) 9/35)

28 LINEARNI SUSTAVI (2) Obično je ovakve probleme najlakše i najnepreciznije rješavati u projekcijskoj domeni Ako i-ta točka q i prolazi kroz traženi pravac p, vrijedi: q Hi p = p 1 q x + p 2 q y + p 3 = 0 Dinamička analiza scena: Linearni sustavi (2) 9/35)

29 LINEARNI SUSTAVI (2) Obično je ovakve probleme najlakše i najnepreciznije rješavati u projekcijskoj domeni Ako i-ta točka q i prolazi kroz traženi pravac p, vrijedi: q Hi p = p 1 q x + p 2 q y + p 3 = 0 Ako su sve točke q i,i = 1, 2,...,n elementi pravca p, vrijedi: A m 3 p = 0, gdje je A i,: = q i Dinamička analiza scena: Linearni sustavi (2) 9/35)

30 LINEARNI SUSTAVI (2) Obično je ovakve probleme najlakše i najnepreciznije rješavati u projekcijskoj domeni Ako i-ta točka q i prolazi kroz traženi pravac p, vrijedi: q Hi p = p 1 q x + p 2 q y + p 3 = 0 Ako su sve točke q i,i = 1, 2,...,n elementi pravca p, vrijedi: A m 3 p = 0, gdje je A i,: = q i U prisustvu šuma, gornja jednadžba nema rješenja. Ima stoga smisla tražiti rješenje koje minimizira rezidual: ˆp = arg min p ( A m 3 p ), uz uvjet p = 1 Dinamička analiza scena: Linearni sustavi (2) 9/35)

31 LINEARNI SUSTAVI (3) Dobili smo linearni homogeni sustav s viškom ograničenja homogeneous linear least squares overconstrained homogeneous linear system ˆx = arg min x ( A m n x n 1 ), uz uvjet x = 1 Dinamička analiza scena: Linearni sustavi (3) 10/35)

32 LINEARNI SUSTAVI (3) Dobili smo linearni homogeni sustav s viškom ograničenja homogeneous linear least squares overconstrained homogeneous linear system ˆx = arg min x ( A m n x n 1 ), uz uvjet x = 1 Rješenje odgovara desnom singularnom vektoru matrice A koji odgovara najmanjoj singularnoj vrijednosti! Dinamička analiza scena: Linearni sustavi (3) 10/35)

33 LINEARNI SUSTAVI (3) Dobili smo linearni homogeni sustav s viškom ograničenja homogeneous linear least squares overconstrained homogeneous linear system ˆx = arg min x ( A m n x n 1 ), uz uvjet x = 1 Rješenje odgovara desnom singularnom vektoru matrice A koji odgovara najmanjoj singularnoj vrijednosti! Singularne vrijednosti i vektore dobivamo singularnom dekompozicijom. Dinamička analiza scena: Linearni sustavi (3) 10/35)

34 LINEARNI SUSTAVI (3) Dobili smo linearni homogeni sustav s viškom ograničenja homogeneous linear least squares overconstrained homogeneous linear system ˆx = arg min x ( A m n x n 1 ), uz uvjet x = 1 Rješenje odgovara desnom singularnom vektoru matrice A koji odgovara najmanjoj singularnoj vrijednosti! Singularne vrijednosti i vektore dobivamo singularnom dekompozicijom. Ekvivalentan rezultat dobivamo svojstvenom dekompozicijom simetrične matrice A A Dinamička analiza scena: Linearni sustavi (3) 10/35)

35 LINEARNI SUSTAVI (4) Linearni nehomogeni sustav s viškom ograničenja: ˆx = arg min x ( A m n x n 1 b n 1 ) Dinamička analiza scena: Linearni sustavi (4) 11/35)

36 LINEARNI SUSTAVI (4) Linearni nehomogeni sustav s viškom ograničenja: ˆx = arg min x ( A m n x n 1 b n 1 ) Rješenje je umnožak pseudoinverza matrice A i vektora b: ˆx = A + b Dinamička analiza scena: Linearni sustavi (4) 11/35)

37 LINEARNI SUSTAVI (4) Linearni nehomogeni sustav s viškom ograničenja: ˆx = arg min x ( A m n x n 1 b n 1 ) Rješenje je umnožak pseudoinverza matrice A i vektora b: ˆx = A + b Moore-Penroseov inverz A + dobivamo singularnom dekompozicijom, ili nekim drugim metodama koje su nešto brže i nešto manje točne Dinamička analiza scena: Linearni sustavi (4) 11/35)

38 LINEARNA ALGEBRA Svaka matrica A m n ima singularnu dekompoziciju: A = U D V U m m (U m n )... ortogonalna matrica (ili ortogonalni stupci) D m n (D n n )... dijagonalna pozitivno semidefinitna matrica V n n... ortogonalna matrica Dinamička analiza scena: Linearna algebra 12/35)

39 LINEARNA ALGEBRA Svaka matrica A m n ima singularnu dekompoziciju: A = U D V U m m (U m n )... ortogonalna matrica (ili ortogonalni stupci) D m n (D n n )... dijagonalna pozitivno semidefinitna matrica V n n... ortogonalna matrica Vrijedi: D i,i = d i i-ta singularna vrijednost (d i Ê V :,i = v i i-ti desni singularni vektor (v i v j = δ ij ) U :,i = u i i-ti lijevi singularni vektor (u i u j = δ ij ) + 0,d i > d i+1 ) Ux = (Ux) (Ux) = x U Ux = x (U U)x = x Dinamička analiza scena: Linearna algebra 12/35)

40 LINEARNA ALGEBRA (2) Malo intuicije: u kakvoj je vezi SVD A = U D V sa svojstvenom dekompozicijom simetrične matrice M = V Λ V? Dinamička analiza scena: Linearna algebra (2) 13/35)

41 LINEARNA ALGEBRA (2) Malo intuicije: u kakvoj je vezi SVD A = U D V sa svojstvenom dekompozicijom simetrične matrice M = V Λ V? Za simetrične matrice, SVD odgovara svojstvenoj dekompoziciji: A = A U = V Dinamička analiza scena: Linearna algebra (2) 13/35)

42 LINEARNA ALGEBRA (2) Malo intuicije: u kakvoj je vezi SVD A = U D V sa svojstvenom dekompozicijom simetrične matrice M = V Λ V? Za simetrične matrice, SVD odgovara svojstvenoj dekompoziciji: A = A U = V Uvrštavanjem SVD dekompozicije matrice A dobivamo: V figurira u svojstvenoj dekompoziciji A A = V(D D)V U figurira u svojstvenoj dekompoziciji AA = U(DD )U d 2 i = λ i(a A) = λ i (AA ) Dinamička analiza scena: Linearna algebra (2) 13/35)

43 LINEARNA ALGEBRA (3) Svojstva SVD: A = U D V = i d i u i v i Dinamička analiza scena: Linearna algebra (3) 14/35)

44 LINEARNA ALGEBRA (3) Svojstva SVD: A = U D V = i d i u i v i SVD pruža osnovne informacije o matrici: neka je d i > 0, i r, te d i = 0, i > r kodomena (slika) matrice: K(A)= span{u i,i = 1, 2,...,r} nulprostor (jezgra) matrice: null(a)= span{v i,i = r + 1,...,n} rang matrice: rang(a) = r Dinamička analiza scena: Linearna algebra (3) 14/35)

45 LINEARNA ALGEBRA (3) Svojstva SVD: A = U D V = i d i u i v i SVD pruža osnovne informacije o matrici: neka je d i > 0, i r, te d i = 0, i > r kodomena (slika) matrice: K(A)= span{u i,i = 1, 2,...,r} nulprostor (jezgra) matrice: null(a)= span{v i,i = r + 1,...,n} rang matrice: rang(a) = r uvjetovanost matrice (δ(x)/δ(b)): κ(a)=d 1 /d n Dinamička analiza scena: Linearna algebra (3) 14/35)

46 LINEARNA ALGEBRA (4) Svojstva SVD A = U D V = i d i u i vi (2): SVD predstavlja djelovanje matrice kao: rotaciju u odredišnom prostoru (U m m ) neravnomjerno skaliranje + pad ranga (D m n ) rotaciju u izvornom prostoru (V n n ) Dinamička analiza scena: Linearna algebra (4) 15/35)

47 LINEARNA ALGEBRA (4) Svojstva SVD A = U D V = i d i u i vi (2): SVD predstavlja djelovanje matrice kao: rotaciju u odredišnom prostoru (U m m ) neravnomjerno skaliranje + pad ranga (D m n ) rotaciju u izvornom prostoru (V n n ) Optimalna F aproksimacija najbližom matricom nižeg ranga r a dovoljno je postaviti d i = 0,i = r a,..., max(m,n)! Dinamička analiza scena: Linearna algebra (4) 15/35)

48 LINEARNA ALGEBRA (4) Svojstva SVD A = U D V = i d i u i vi (2): SVD predstavlja djelovanje matrice kao: rotaciju u odredišnom prostoru (U m m ) neravnomjerno skaliranje + pad ranga (D m n ) rotaciju u izvornom prostoru (V n n ) Optimalna F aproksimacija najbližom matricom nižeg ranga r a dovoljno je postaviti d i = 0,i = r a,..., max(m,n)! redci matrice U sortirana verzija redaka A, Dinamička analiza scena: Linearna algebra (4) 15/35)

49 LINEARNA ALGEBRA (4) Svojstva SVD A = U D V = i d i u i vi (2): SVD predstavlja djelovanje matrice kao: rotaciju u odredišnom prostoru (U m m ) neravnomjerno skaliranje + pad ranga (D m n ) rotaciju u izvornom prostoru (V n n ) Optimalna F aproksimacija najbližom matricom nižeg ranga r a dovoljno je postaviti d i = 0,i = r a,..., max(m,n)! redci matrice U sortirana verzija redaka A, redci matrice V sortirane osi varijabilnosti redaka A kriterij sortiranja: istaknutost, značaj pri raspoznavanju primjene: PCA, kompresija, analiza linearnih sustava Dinamička analiza scena: Linearna algebra (4) 15/35)

50 LINEARNA ALGEBRA (5) Zašto i kako SVD optimalno (L2) rješava homogene sustave? Dinamička analiza scena: Linearna algebra (5) 16/35)

51 LINEARNA ALGEBRA (5) Zašto i kako SVD optimalno (L2) rješava homogene sustave? Neka je A = UDV ; tada tražimo x koji zadovoljava: min x UDV x = min x DV x, uz x = 1 Dinamička analiza scena: Linearna algebra (5) 16/35)

52 LINEARNA ALGEBRA (5) Zašto i kako SVD optimalno (L2) rješava homogene sustave? Neka je A = UDV ; tada tražimo x koji zadovoljava: min x UDV x = min x DV x, uz x = 1 Neka je q = V x; tada vrijedi: UDV x = Dq, uz q = 1 ( ) Dinamička analiza scena: Linearna algebra (5) 16/35)

53 LINEARNA ALGEBRA (5) Zašto i kako SVD optimalno (L2) rješava homogene sustave? Neka je A = UDV ; tada tražimo x koji zadovoljava: min x UDV x = min x DV x, uz x = 1 Neka je q = V x; tada vrijedi: UDV x = Dq, uz q = 1 ( ) Elementi D su pozitivni i padajući, pa q koji minimizira (*) iznosi [ ] q = Dinamička analiza scena: Linearna algebra (5) 16/35)

54 LINEARNA ALGEBRA (5) Zašto i kako SVD optimalno (L2) rješava homogene sustave? Neka je A = UDV ; tada tražimo x koji zadovoljava: min x UDV x = min x DV x, uz x = 1 Neka je q = V x; tada vrijedi: UDV x = Dq, uz q = 1 ( ) Elementi D su pozitivni i padajući, pa q koji minimizira (*) iznosi [ ] q = Odatle slijedi ono što je trebalo dokazati: x = Vq = V :,n Dinamička analiza scena: Linearna algebra (5) 16/35)

55 LINEARNA ALGEBRA (6) Zašto i kako SVD optimalno (L2) rješava nehomogene sustave? Dinamička analiza scena: Linearna algebra (6) 17/35)

56 LINEARNA ALGEBRA (6) Zašto i kako SVD optimalno (L2) rješava nehomogene sustave? Promotrimo sustav Ax b min. Neka je A = UDV ; tada tražimo x koji zadovoljava: min x UDV x b = min x Dq U b, uz q = V x Dinamička analiza scena: Linearna algebra (6) 17/35)

57 LINEARNA ALGEBRA (6) Zašto i kako SVD optimalno (L2) rješava nehomogene sustave? Promotrimo sustav Ax b min. Neka je A = UDV ; tada tražimo x koji zadovoljava: min x UDV x b = min x Dq U b, uz q = V x Izrazimo traženi rezidual zbrojem kvadrata komponenata (L2): Dq U b = i (d i q i u i b) 2 = r (d i q i u i b) 2 + n (u i b) 2 i=1 i=r+1 Dinamička analiza scena: Linearna algebra (6) 17/35)

58 LINEARNA ALGEBRA (6) Zašto i kako SVD optimalno (L2) rješava nehomogene sustave? Promotrimo sustav Ax b min. Neka je A = UDV ; tada tražimo x koji zadovoljava: min x UDV x b = min x Dq U b, uz q = V x Izrazimo traženi rezidual zbrojem kvadrata komponenata (L2): Dq U b = i (d i q i u i b) 2 = r (d i q i u i b) 2 + n (u i b) 2 i=1 i=r+1 Sad se vidi da za minimum mora biti q i = u i b/d i,i = 1 : r (za ostale i, proizvoljno odabiremo q i = 0) Dinamička analiza scena: Linearna algebra (6) 17/35)

59 LINEARNA ALGEBRA (7) Kako SVD optimalno (L2) rješava nehomogene sustave? (2) Pronašli smo q i = u i b/d i,i = 1 : r, koliki je x = Vq? Dinamička analiza scena: Linearna algebra (7) 18/35)

60 LINEARNA ALGEBRA (7) Kako SVD optimalno (L2) rješava nehomogene sustave? (2) Pronašli smo q i = u i b/d i,i = 1 : r, koliki je x = Vq? Uvrštavamo q i i žongliramo skalarnim produktom... x = r i=1 q i v i = r i=1 u i b d i v i = r i=1 v i u i d i b Dinamička analiza scena: Linearna algebra (7) 18/35)

61 LINEARNA ALGEBRA (7) Kako SVD optimalno (L2) rješava nehomogene sustave? (2) Pronašli smo q i = u i b/d i,i = 1 : r, koliki je x = Vq? Uvrštavamo q i i žongliramo skalarnim produktom... x = r i=1 q i v i = r i=1 u i b d i v i = r i=1 v i u i d i b Konačno, rješenje sustava Ax b min je: x = VD + U b = A + b Dinamička analiza scena: Linearna algebra (7) 18/35)

62 LINEARNA ALGEBRA (7) Kako SVD optimalno (L2) rješava nehomogene sustave? (2) Pronašli smo q i = u i b/d i,i = 1 : r, koliki je x = Vq? Uvrštavamo q i i žongliramo skalarnim produktom... x = r i=1 q i v i = r i=1 u i b d i v i = r i=1 v i u i d i b Konačno, rješenje sustava Ax b min je: x = VD + U b = A + b A +... pseudoinverz od A (Moore - Penrose) Dinamička analiza scena: Linearna algebra (7) 18/35)

63 LINEARNA ALGEBRA (8) Kako SVD rješava sustave s manjkom ograničenja? Dinamička analiza scena: Linearna algebra (8) 19/35)

64 LINEARNA ALGEBRA (8) Kako SVD rješava sustave s manjkom ograničenja? Npr: koje sve ravnine prolaze kroz zadane dvije točke? Dinamička analiza scena: Linearna algebra (8) 19/35)

65 LINEARNA ALGEBRA (8) Kako SVD rješava sustave s manjkom ograničenja? Npr: koje sve ravnine prolaze kroz zadane dvije točke? Homogeni sustav min x A m n x, uz x = 1 može imati: rješenje u smislu LS, ako rang(a) = n točno rješenje, ako rang(a) = n 1 beskonačno rješenja, ako rang(a) < n 1 Dinamička analiza scena: Linearna algebra (8) 19/35)

66 LINEARNA ALGEBRA (8) Kako SVD rješava sustave s manjkom ograničenja? Npr: koje sve ravnine prolaze kroz zadane dvije točke? Homogeni sustav min x A m n x, uz x = 1 može imati: rješenje u smislu LS, ako rang(a) = n točno rješenje, ako rang(a) = n 1 beskonačno rješenja, ako rang(a) < n 1 U posljednjem slučaju, potprostor rješenja je: null(a)= span{v i,i = r + 1,...,n} Dinamička analiza scena: Linearna algebra (8) 19/35)

67 LINEARNA ALGEBRA (8) Kako SVD rješava sustave s manjkom ograničenja? Npr: koje sve ravnine prolaze kroz zadane dvije točke? Homogeni sustav min x A m n x, uz x = 1 može imati: rješenje u smislu LS, ako rang(a) = n točno rješenje, ako rang(a) = n 1 beskonačno rješenja, ako rang(a) < n 1 U posljednjem slučaju, potprostor rješenja je: null(a)= span{v i,i = r + 1,...,n} Rješenja nehomogenog sustava dobivamo kao zbroj: potprostora rješenja homogenog sustava, i nekog partikularnog rješenja Dinamička analiza scena: Linearna algebra (8) 19/35)

68 KONDICIONIRANJE LINEARNOG SUSTAVA Razmotrimo homogeni preograničeni sustav (koji minimizira algebarski kriterij): ˆx = arg min x A x, uz x = 1 Dinamička analiza scena: Kondicioniranje linearnog sustava 20/35)

69 KONDICIONIRANJE LINEARNOG SUSTAVA Razmotrimo homogeni preograničeni sustav (koji minimizira algebarski kriterij): ˆx = arg min x A x, uz x = 1 ˆx je rješenje sustava A F x = 0, gdje je A F defektna matrica najbliža A (u smislu Frobeniusove norme) Dinamička analiza scena: Kondicioniranje linearnog sustava 20/35)

70 KONDICIONIRANJE LINEARNOG SUSTAVA Razmotrimo homogeni preograničeni sustav (koji minimizira algebarski kriterij): ˆx = arg min x A x, uz x = 1 ˆx je rješenje sustava A F x = 0, gdje je A F defektna matrica najbliža A (u smislu Frobeniusove norme) Ključ kvalitete rješenja je u razdiobi šuma D u matrici sustava A: D = A Â Dinamička analiza scena: Kondicioniranje linearnog sustava 20/35)

71 KONDICIONIRANJE LINEARNOG SUSTAVA Razmotrimo homogeni preograničeni sustav (koji minimizira algebarski kriterij): ˆx = arg min x A x, uz x = 1 ˆx je rješenje sustava A F x = 0, gdje je A F defektna matrica najbliža A (u smislu Frobeniusove norme) Ključ kvalitete rješenja je u razdiobi šuma D u matrici sustava A: D = A Â Neravnomjerno raspore den šum pristrano rješenje! Dinamička analiza scena: Kondicioniranje linearnog sustava 20/35)

72 KONDICIONIRANJE LINEARNOG SUSTAVA Razmotrimo homogeni preograničeni sustav (koji minimizira algebarski kriterij): ˆx = arg min x A x, uz x = 1 ˆx je rješenje sustava A F x = 0, gdje je A F defektna matrica najbliža A (u smislu Frobeniusove norme) Ključ kvalitete rješenja je u razdiobi šuma D u matrici sustava A: D = A Â Neravnomjerno raspore den šum pristrano rješenje! Obratiti pažnju na razdiobu šuma po stupcima i po redcima matrice sustava! Dinamička analiza scena: Kondicioniranje linearnog sustava 20/35)

73 KONDICIONIRANJE LINEARNOG SUSTAVA (2) Razdioba šuma u matrici sustava pospješuje se kondicioniranjem Dinamička analiza scena: Kondicioniranje linearnog sustava (2) 21/35)

74 KONDICIONIRANJE LINEARNOG SUSTAVA (2) Razdioba šuma u matrici sustava pospješuje se kondicioniranjem Teorijski dobro utemeljen pristup je uravnoteživanje [Muehlich98] Dinamička analiza scena: Kondicioniranje linearnog sustava (2) 21/35)

75 KONDICIONIRANJE LINEARNOG SUSTAVA (2) Razdioba šuma u matrici sustava pospješuje se kondicioniranjem Teorijski dobro utemeljen pristup je uravnoteživanje [Muehlich98] Matrica sustava se množi s lijeva i s desne prikladnim kvadratnim matricama punog ranga: ˆx = arg min A eq x, gdje su x (7) A eq = W L A W R, (8) x = W R 1 x (9) Dinamička analiza scena: Kondicioniranje linearnog sustava (2) 21/35)

76 KONDICIONIRANJE LINEARNOG SUSTAVA (2) Razdioba šuma u matrici sustava pospješuje se kondicioniranjem Teorijski dobro utemeljen pristup je uravnoteživanje [Muehlich98] Matrica sustava se množi s lijeva i s desne prikladnim kvadratnim matricama punog ranga: ˆx = arg min A eq x, gdje su x (10) A eq = W L A W R, (11) x = W R 1 x (12) Cilj je ravnomjerno raspore den šum u A eq : E[D eq D eq ] = c I, gdje je D eq = A eq ˆ A eq Dinamička analiza scena: Kondicioniranje linearnog sustava (2) 21/35)

77 KRITERIJI ESTIMACIJE Vratimo se na problem provlačenja p(q i ) Dinamička analiza scena: Kriteriji estimacije 22/35)

78 KRITERIJI ESTIMACIJE Vratimo se na problem provlačenja p(q i ) Što fali algebarskom projekcijskom kriteriju: ˆp alg = arg min p A m 3 p, gdje je A i,: = q i nema eksplicitnog modela šuma ne minimizira smislenu funkciju cilja Dinamička analiza scena: Kriteriji estimacije 22/35)

79 KRITERIJI ESTIMACIJE Vratimo se na problem provlačenja p(q i ) Što fali algebarskom projekcijskom kriteriju: ˆp alg = arg min p A m 3 p, gdje je A i,: = q i nema eksplicitnog modela šuma ne minimizira smislenu funkciju cilja Kriterij optimizacije dobivamo uvrštanjem podataka s eksplicitno modeliranim šumom (x i,y i + δy i ): ˆp = arg min p p 2 y i 2, uz p p2 2 + p2 3 = 1 Dinamička analiza scena: Kriteriji estimacije 22/35)

80 KRITERIJI ESTIMACIJE Vratimo se na problem provlačenja p(q i ) Što fali algebarskom projekcijskom kriteriju: ˆp alg = arg min p A m 3 p, gdje je A i,: = q i nema eksplicitnog modela šuma ne minimizira smislenu funkciju cilja Kriterij optimizacije dobivamo uvrštanjem podataka s eksplicitno modeliranim šumom (x i,y i + δy i ): ˆp = arg min p p 2 y i 2, uz p p2 2 + p2 3 = 1 Kriterij je pristran jer favorizira pravce s malim p 2! Dinamička analiza scena: Kriteriji estimacije 22/35)

81 KRITERIJI ESTIMACIJE (2) Bolje rješenje dobivamo parametrizacijom p = (k, l), koja dozvoljava modeliranje geometrijskog kriterija: ˆp g1 = arg min p i p 1 x i + p 2 y i (13) = A m 2 p 2 y m, gdje je A i,: = [ x i 1 ] (14) Dinamička analiza scena: Kriteriji estimacije (2) 23/35)

82 KRITERIJI ESTIMACIJE (2) Bolje rješenje dobivamo parametrizacijom p = (k, l), koja dozvoljava modeliranje geometrijskog kriterija: ˆp g1 = arg min p i p 1 x i + p 2 y i (15) = A m 2 p 2 y m, gdje je A i,: = [ x i 1 ] (16) Kad uvrstimo degradirani podatak (x i,y i + δy i ): vidimo da i-ti rezidual r i iznosi upravo δy i Dinamička analiza scena: Kriteriji estimacije (2) 23/35)

83 KRITERIJI ESTIMACIJE (2) Bolje rješenje dobivamo parametrizacijom p = (k, l), koja dozvoljava modeliranje geometrijskog kriterija: ˆp g1 = arg min p i p 1 x i + p 2 y i (17) = A m 2 p 2 y m, gdje je A i,: = [ x i 1 ] (18) Kad uvrstimo degradirani podatak (x i,y i + δy i ): vidimo da i-ti rezidual r i iznosi upravo δy i Stoga će rješenje p = A + y biti pravac s minimalnim ukupnim kvadratnim odstupanjem od zadanih točaka (pravac s najvećom vjerodostojnošću) Dinamička analiza scena: Kriteriji estimacije (2) 23/35)

84 KRITERIJI ESTIMACIJE (3) Idemo provjeriti teoriju za točke sa slike: (1,6); (2,5); (3,7); (4,10) Dinamička analiza scena: Kriteriji estimacije (3) 24/35)

85 KRITERIJI ESTIMACIJE (3) Idemo provjeriti teoriju za točke sa slike: (1,6); (2,5); (3,7); (4,10) A A matrica algebarske formulacije (4 3) A G matrica geometrijske formulacije (4 2) Dinamička analiza scena: Kriteriji estimacije (3) 24/35)

86 KRITERIJI ESTIMACIJE (3) Idemo provjeriti teoriju za točke sa slike: (1,6); (2,5); (3,7); (4,10) A A matrica algebarske formulacije (4 3) A G matrica geometrijske formulacije (4 2) Izvorni kod u octaveu: Aa=[1 6 1; 2 5 1; 3 7 1; ]; [U,D,V]=svd(Aa); v3=v(:,3); kla=[-v3(1)/v3(2); -v3(3)/v3(2)]; Ag=[1 1; 2 1; 3 1; 4 1]; y=[6;5;7;10]; klg=pinv(ag)*y; Dinamička analiza scena: Kriteriji estimacije (3) 24/35)

87 KRITERIJI ESTIMACIJE (3) Idemo provjeriti teoriju za točke sa slike: (1,6); (2,5); (3,7); (4,10) A A matrica algebarske formulacije (4 3) A G matrica geometrijske formulacije (4 2) Izvorni kod u octaveu: Aa=[1 6 1; 2 5 1; 3 7 1; ]; [U,D,V]=svd(Aa); v3=v(:,3); kla=[-v3(1)/v3(2); -v3(3)/v3(2)]; Ag=[1 1; 2 1; 3 1; 4 1]; y=[6;5;7;10]; klg=pinv(ag)*y; disp(kla) // [ 0.9; 5.0 ] disp(klg) // [ 1.4; 3.5 ] disp(norm(ag*kla-y)) // 2.4 disp(norm(ag*klg-y)) // 2.0 Dinamička analiza scena: Kriteriji estimacije (3) 24/35)

88 KRITERIJI ESTIMACIJE (4) Ali što ako šum djeluje na obje koordinate (TLS) δx,δy N(0,σ 2 )? Dinamička analiza scena: Kriteriji estimacije (4) 25/35)

89 KRITERIJI ESTIMACIJE (4) Ali što ako šum djeluje na obje koordinate (TLS) δx,δy N(0,σ 2 )? Onda nam prošli kriteriji (alg, g1) neće dati optimalno rješenje ˆp g2 = arg min p = arg min p i i d 2 (p,q i ) (p 1 q x + p 2 q y + p 3 ) 2 p p2 2 Dinamička analiza scena: Kriteriji estimacije (4) 25/35)

90 KRITERIJI ESTIMACIJE (4) Ali što ako šum djeluje na obje koordinate (TLS) δx,δy N(0,σ 2 )? Onda nam prošli kriteriji (alg, g1) neće dati optimalno rješenje ˆp g2 = arg min p = arg min p i i d 2 (p,q i ) (p 1 q x + p 2 q y + p 3 ) 2 p p2 2 Novi kriterij (g2) je nelinearan pa ga ne možemo optimirati algebarskom minimizacijom! Dinamička analiza scena: Kriteriji estimacije (4) 25/35)

91 KRITERIJI ESTIMACIJE (5) Situacija da se geometrijski kriterij ne da izraziti u okviru linearnog sustava je vrlo česta! Dinamička analiza scena: Kriteriji estimacije (5) 26/35)

92 KRITERIJI ESTIMACIJE (5) Situacija da se geometrijski kriterij ne da izraziti u okviru linearnog sustava je vrlo česta! Nameće se zaključak da najbolje rezultate nećemo moći dobiti bez nelinearne optimizacije (npr, gradijentni spust) Dinamička analiza scena: Kriteriji estimacije (5) 26/35)

93 KRITERIJI ESTIMACIJE (5) Situacija da se geometrijski kriterij ne da izraziti u okviru linearnog sustava je vrlo česta! Nameće se zaključak da najbolje rezultate nećemo moći dobiti bez nelinearne optimizacije (npr, gradijentni spust) Da li su linearne metode estimacije beskorisne? (Projective geometry considered harmful, IJCV99) Dinamička analiza scena: Kriteriji estimacije (5) 26/35)

94 KRITERIJI ESTIMACIJE (5) Situacija da se geometrijski kriterij ne da izraziti u okviru linearnog sustava je vrlo česta! Nameće se zaključak da najbolje rezultate nećemo moći dobiti bez nelinearne optimizacije (npr, gradijentni spust) Da li su linearne metode estimacije beskorisne? (Projective geometry considered harmful, IJCV99) Ipak, odgovor je po svoj prilici ne, jer: linearna metoda je često jedini izbor kad nemamo početnu aproksimaciju ovisno o problemu, linearni rezultat može biti gotovo jednako upotrebljiv kao i geometrijski linearne metode mogu se dramatično poboljšati kondicioniranjem (In Defense of the Eight-Point Algorithm, Dinamička analiza scena: Kriteriji estimacije (5) 26/35)

95 KRITERIJI ESTIMACIJE (6) 11 Za radoznale, u slučaju pravca, kriterij g2 se da izraziti metodom PCA. Program u Octave-u (dolje), te tri provučena pravca (desno) A_alg=[1 6 1; 2 5 1; 3 7 1; ]; A_g2=A_alg(:,1:2); mu_g2=mean(a_g2); A_g2_mu=A_g2 - [1;1;1;1]*mu_g2; [U_g2,D_g2,V_g2]=svd(A_g2_mu); k_g2=v_g2(2,1)/v_g2(1,1) l_g2=mu_g2(2)-k_g2*mu_g2(1) alg g1 g2 ˆk ˆl Dinamička analiza scena: Kriteriji estimacije (6) 27/35)

96 KRITERIJI ESTIMACIJE (7) Statistički kriteriji estimacije Dinamička analiza scena: Kriteriji estimacije (7) 28/35)

97 KRITERIJI ESTIMACIJE (7) Statistički kriteriji estimacije Pretpostavimo model M(p), npr, p = (k,l), te da na temelju mjerenja o (npr, o = y) želimo ocijeniti parametre modela p Dinamička analiza scena: Kriteriji estimacije (7) 28/35)

98 KRITERIJI ESTIMACIJE (7) Statistički kriteriji estimacije Pretpostavimo model M(p), npr, p = (k,l), te da na temelju mjerenja o (npr, o = y) želimo ocijeniti parametre modela p Statistički kriterij za vrednovanje p: maksimizirati vjerojatnost opažanja o pod pretpostavkom M(p)! Dinamička analiza scena: Kriteriji estimacije (7) 28/35)

99 KRITERIJI ESTIMACIJE (7) Statistički kriteriji estimacije Pretpostavimo model M(p), npr, p = (k,l), te da na temelju mjerenja o (npr, o = y) želimo ocijeniti parametre modela p Statistički kriterij za vrednovanje p: maksimizirati vjerojatnost opažanja o pod pretpostavkom M(p)! Uvjetnu vjerojatnost opažanja s obzirom na model nazivamo vjerodostojnošću modela: L(p) = p(o M(p)) Dinamička analiza scena: Kriteriji estimacije (7) 28/35)

100 KRITERIJI ESTIMACIJE (7) Statistički kriteriji estimacije Pretpostavimo model M(p), npr, p = (k,l), te da na temelju mjerenja o (npr, o = y) želimo ocijeniti parametre modela p Statistički kriterij za vrednovanje p: maksimizirati vjerojatnost opažanja o pod pretpostavkom M(p)! Uvjetnu vjerojatnost opažanja s obzirom na model nazivamo vjerodostojnošću modela: L(p) = p(o M(p)) Kriterij maksimalne vjerodostojnosti (MLE) izražavamo: ˆp MLE = arg max p L(p) Dinamička analiza scena: Kriteriji estimacije (7) 28/35)

101 KRITERIJI ESTIMACIJE (8) Izvedimo MLE kriterij za provlačenje pravca kroz skup točaka ˆp = arg max p p(y M(p)) Dinamička analiza scena: Kriteriji estimacije (8) 29/35)

102 KRITERIJI ESTIMACIJE (8) Izvedimo MLE kriterij za provlačenje pravca kroz skup točaka ˆp = arg max p p(y M(p)) Izrazimo gustoću vjerojatnosti pojedinačnog mjerenja y i ; pretp. y i N(y i,σ)) (normalno distribuirani, nepristrani): p(y i y i ) e (y i y i ) 2 2σ 2 Dinamička analiza scena: Kriteriji estimacije (8) 29/35)

103 KRITERIJI ESTIMACIJE (8) Izvedimo MLE kriterij za provlačenje pravca kroz skup točaka ˆp = arg max p p(y M(p)) Izrazimo gustoću vjerojatnosti pojedinačnog mjerenja y i ; pretp. y i N(y i,σ)) (normalno distribuirani, nepristrani): p(y i y i ) e (y i y i ) 2 2σ 2 Izrazimo sada gustoću vjerojatnosti cijelog skupa mjerenja, pod pretpostavkama jednake disperzije i nezavisnosti: p(y p,x) i e (y i p1 x i p 2 ) 2 2σ 2 Dinamička analiza scena: Kriteriji estimacije (8) 29/35)

104 KRITERIJI ESTIMACIJE (9) Logaritam vjerodostojnosti sada je: log L(p) (y i p 1 x i p 2 ) 2 Dinamička analiza scena: Kriteriji estimacije (9) 30/35)

105 KRITERIJI ESTIMACIJE (9) Logaritam vjerodostojnosti sada je: log L(p) (y i p 1 x i p 2 ) 2 Pravac koji maksimira vjerodostojnost sad je: ˆp = arg max p L(p) = arg min( log L(p)) p Dinamička analiza scena: Kriteriji estimacije (9) 30/35)

106 KRITERIJI ESTIMACIJE (9) Logaritam vjerodostojnosti sada je: log L(p) (y i p 1 x i p 2 ) 2 Pravac koji maksimira vjerodostojnost sad je: ˆp = arg max p L(p) = arg min( log L(p)) p Dolazimo do ekvivalencije geometrijskog i MLE kriterija! ˆp = arg max p L(p) = arg min p p 1 x i + p 2 y i i Dinamička analiza scena: Kriteriji estimacije (9) 30/35)

107 KRITERIJI ESTIMACIJE (9) Logaritam vjerodostojnosti sada je: log L(p) (y i p 1 x i p 2 ) 2 Pravac koji maksimira vjerodostojnost sad je: ˆp = arg max p L(p) = arg min( log L(p)) p Dolazimo do ekvivalencije geometrijskog i MLE kriterija! ˆp = arg max p L(p) = arg min p p 1 x i + p 2 y i i Geometrijski kriterij nije MLE, kad god se šum ne može opisati dekoreliranim i identičnim normalnim razdiobama! Dinamička analiza scena: Kriteriji estimacije (9) 30/35)

108 KRITERIJI ESTIMACIJE (10) Kriterij MLE p maksimira uvjetnu vjerojatnost opažanja o, neovisno o apriornoj vjerojatnosti parametara: L(p) = p(o M(p)) Dinamička analiza scena: Kriteriji estimacije (10) 31/35)

109 KRITERIJI ESTIMACIJE (10) Kriterij MLE p maksimira uvjetnu vjerojatnost opažanja o, neovisno o apriornoj vjerojatnosti parametara: L(p) = p(o M(p)) Ako se p(p) može modelirati, estimaciju možemo poboljšati! Dinamička analiza scena: Kriteriji estimacije (10) 31/35)

110 KRITERIJI ESTIMACIJE (10) Kriterij MLE p maksimira uvjetnu vjerojatnost opažanja o, neovisno o apriornoj vjerojatnosti parametara: L(p) = p(o M(p)) Ako se p(p) može modelirati, estimaciju možemo poboljšati! Kriterij MAP p maksimira svoju posteriornu distribuciju: ˆp = arg max p p(m(p) o) Dinamička analiza scena: Kriteriji estimacije (10) 31/35)

111 KRITERIJI ESTIMACIJE (10) Kriterij MLE p maksimira uvjetnu vjerojatnost opažanja o, neovisno o apriornoj vjerojatnosti parametara: L(p) = p(o M(p)) Ako se p(p) može modelirati, estimaciju možemo poboljšati! Kriterij MAP p maksimira svoju posteriornu distribuciju: ˆp = arg max p p(m(p) o) Gustoću vjerojatnosti p(p o) kriterija MAP (max. a posteriori) dobivamo primjenom Bayesovog teorema: P(M O) = P(O M)P(M) P(O) Dinamička analiza scena: Kriteriji estimacije (10) 31/35)

112 KRITERIJI ESTIMACIJE (11) U našem slučaju, u brojniku imamo vjerodostojnost i apriornu vjerojatnost, a u nazivniku normalizacijski faktor p(p o) = p(o p) p(p) p(o) L(p) p(p) Dinamička analiza scena: Kriteriji estimacije (11) 32/35)

113 KRITERIJI ESTIMACIJE (11) U našem slučaju, u brojniku imamo vjerodostojnost i apriornu vjerojatnost, a u nazivniku normalizacijski faktor p(p o) = p(o p) p(p) p(o) L(p) p(p) Konačan izraz za estimator MAP je: ˆp MAP = arg max p L(p) p(p) Dinamička analiza scena: Kriteriji estimacije (11) 32/35)

114 KRITERIJI ESTIMACIJE (11) U našem slučaju, u brojniku imamo vjerodostojnost i apriornu vjerojatnost, a u nazivniku normalizacijski faktor p(p o) = p(o p) p(p) p(o) L(p) p(p) Konačan izraz za estimator MAP je: ˆp MAP = arg max p L(p) p(p) MLE: model = max p(slika model) MAP: model = max p(slika model) p(model) Dinamička analiza scena: Kriteriji estimacije (11) 32/35)

115 KRITERIJI ESTIMACIJE (11) U našem slučaju, u brojniku imamo vjerodostojnost i apriornu vjerojatnost, a u nazivniku normalizacijski faktor p(p o) = p(o p) p(p) p(o) L(p) p(p) Konačan izraz za estimator MAP je: ˆp MAP = arg max p L(p) p(p) MLE: model = max p(slika model) MAP: model = max p(slika model) p(model) Vidjeli smo klokana. Jesmo li u Australiji? Vidjeli smo nešto što podsjeća na znak. Da li je pokraj ceste? Dinamička analiza scena: Kriteriji estimacije (11) 32/35)

116 KRITERIJI ESTIMACIJE (12) Dinamička analiza scena: Kriteriji estimacije (12) 33/35)

117 KRITERIJI ESTIMACIJE (12) [Zisserman01]Dinamička analiza scena: Kriteriji estimacije (12) 33/35)

118 ROBUSTNA ESTIMACIJA Prisjetimo se motivacije: 1. svi unutarpopulacijski podatci doprinose rješenju Dinamička analiza scena: robustna estimacija 34/35)

119 ROBUSTNA ESTIMACIJA Prisjetimo se motivacije: 1. svi unutarpopulacijski podatci doprinose rješenju Dinamička analiza scena: robustna estimacija 34/35)

120 ROBUSTNA ESTIMACIJA Prisjetimo se motivacije: 1. svi unutarpopulacijski podatci doprinose rješenju 2. rezultat u prisustvu plauzibilnog šuma statistički povoljan Dinamička analiza scena: robustna estimacija 34/35)

121 ROBUSTNA ESTIMACIJA Prisjetimo se motivacije: 1. svi unutarpopulacijski podatci doprinose rješenju 2. rezultat u prisustvu plauzibilnog šuma statistički povoljan Dinamička analiza scena: robustna estimacija 34/35)

122 ROBUSTNA ESTIMACIJA Prisjetimo se motivacije: 1. svi unutarpopulacijski podatci doprinose rješenju 2. rezultat u prisustvu plauzibilnog šuma statistički povoljan 3. vanpopulacijski parametri ne ometaju točan rezultat Dinamička analiza scena: robustna estimacija 34/35)

123 ROBUSTNA ESTIMACIJA Prisjetimo se motivacije: 1. svi unutarpopulacijski podatci doprinose rješenju 2. rezultat u prisustvu plauzibilnog šuma statistički povoljan 3. vanpopulacijski parametri ne ometaju točan rezultat (to bismo sada, nažalost vrlo ukratko) Dinamička analiza scena: robustna estimacija 34/35)

124 ROBUSTNA ESTIMACIJA Prisjetimo se motivacije: 1. svi unutarpopulacijski podatci doprinose rješenju 2. rezultat u prisustvu plauzibilnog šuma statistički povoljan 3. vanpopulacijski parametri ne ometaju točan rezultat (to bismo sada, nažalost vrlo ukratko) Zašto outlieri mogu biti problem [Stewart99]? Dinamička analiza scena: robustna estimacija 34/35)

125 ROBUSTNA ESTIMACIJA (2) Robustni pristupi u računalnom vidu: 1. Houghova transformacija 2. Evaluacija hipoteza dobivenih nad minimalnim slučajnim uzorkom Monte Carlo analiza, RANSAC, MLESAC, ***SAC, LMedSqr 3. Iterativno poboljšanje korištenjem robustnih normi: IRLS, M-estimacija Dinamička analiza scena: robustna estimacija (2) 35/35)

126 ROBUSTNA ESTIMACIJA (2) Robustni pristupi u računalnom vidu: 1. Houghova transformacija 2. Evaluacija hipoteza dobivenih nad minimalnim slučajnim uzorkom Monte Carlo analiza, RANSAC, MLESAC, ***SAC, LMedSqr 3. Iterativno poboljšanje korištenjem robustnih normi: IRLS, M-estimacija (I to je sve...) Dinamička analiza scena: robustna estimacija (2) 35/35)