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
컴퓨터 비전 분야에서 다루는 많은 문제는 대부분 수학적 모델을 기반으로 하고 있으며 그 모델의 인수를 예측하는 방법을 사용하여 주어진 문제에 대한 최적의 해를 구한다. 그런데 입력 데이타 집합에 보통의 잡음에 비해 상대적으로 크기가 큰 이상치가 포함되어 있다면 이것은 부정확한 결과를 초래한다. 이러한 문제를 해결하기 위해 사용되는 대표적인 방법으로 강건한 예측기법인 RANSAC 알고리즘이 있다. 기존 RANSAC 알고리즘의 가장 큰 문제점은 이상치의 비율과 같은 데이타 분포에 대한 사전지식이 필요하다는 것이다. 본 논문에서는 이러한 문제점을 해결하기 위해 매 반복 수행시마다 퍼지분류 기법을 이용하여 전체 데이타를 좋은 샘플집합(good sample set)과 나쁜 샘플집합(bad sample set) 그리고 모호한 샘플집합(vague sample set)으로 분류한 뒤 좋은 샘플집합에서만 샘플링을 해나감으로써 이상치에 대한 제거율과 해의 정확도를 향상시키는 FRANSAC 알고리즘을 제안한다. 실험 결과에서는 제안한 알고리즘을 각각 선형회귀 문제와 호모그래피 계산 문제에 대해 적용했을 때의 성능을 보인다.

목차

요약

Abstract

1. 서론

2. FRANSAC 알고리즘

3. 실험 및 결과

4. 결론

참고문헌

저자소개

참고문헌 (12)

참고문헌 신청

함께 읽어보면 좋을 논문

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

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2009-569-015337841