메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
직선적합에 있어서, 최소 자승(Least Square) 방식은 특이점(outlier)들의 분포가 non-Gaussian 일 경우 그 신뢰성을 잃게된다. 본 연구에서는 감인한 패러다임의 구체적 기법을 제시하고 그것이 컴퓨터 비젼 문제에 어떻게 적응할 수 있는지를 알아 보았다. Least Trimmed Square(LTS) 기법이라고 불리우는 이 패러다임은 여러가지 유형의 Noise가 존재하는 경우에서도 신뢰성을 잃지않는 특성을 지닌다. 이 LTS 기법은 데이타가 거의 절반 정도나 심히 오염되어 있더라도 적합한 결과를 산출한다. Noise 분포가 Gaussian 일 경우, 가중 최소자승에 기초한 방법을 사용함으로써 효율성을 높일수 있었다. 여러종류의 데이타를 대상으로 LS. Direct Linear Plot. LTS의 성능을 실험비교 결과 LTS기법이 가장 우수한 결과를 얻었다.

목차

요약

Ⅰ. 서론

Ⅱ. 강인한 직선 회귀분석 기법들

Ⅲ. 직선적합화의 Least Trimmed Square 기법

Ⅳ. 실험 및 성능평가

Ⅴ. 결론

참고문헌

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2009-569-017921992