今天是
福建农林大学
福建农林大学计算机与信息学院
您当前的位置:首页  科研实践  科研信息
我院陈日清团队在人工智能领域国际著名期刊《IEEE Transactions on Cybernetics》上刊发论文
发布时间 :2019-03-11 信息员: 浏览次数:1913

 

近日,IEEE Transactions on Cybernetics(人工智能领域国际著名学术期刊)在线刊发陈日清创新团队在鲁棒模型拟合领域的最新研究成果《基于全局贪婪搜索的模型拟合方法》(Efficient Robust Model Fitting for Multistructure Data Using Global Greedy Search)。该成果提出了一种全局贪婪搜索策略进行高效模型拟合的新方法。论文第一作者及通讯作者分别为我院赖桃桃博士后及陈日清教授第一署名单位为福建农林大学

IEEE Transactions on Cybernetics》杂志创刊于1960年,主要报道计算机视觉、计算智能、机器学习、机器人技术等领域的最新的研究进展,及其在控制论领域的推广研究。该期刊当前影响因子为8.803,属于SCI一区TOP期刊,是控制论与人工智能域的顶级期刊之一。

随着计算机视觉技术的不断发展,很多计算机视觉产品已被广泛地应用到人们的工作和生活中。很多计算机视觉问题都可以归结为鲁棒模型拟合问题。获取视觉数据(例如图像和视频)的过程通常会受到光照、拍摄角度和拍摄距离等因素的影响,从而使得输入数据不可避免地包含噪声和离群点。在过去十几年,学者们提出了很多优秀的鲁棒模型拟合方法,但在时效性和准确性上,当前的模型拟合方法还无法满足针对多模型实例数据(同时包含噪声和高比例离群点)的实际应用要求。因此,提高鲁棒模型拟合方法的高效性,将大幅度提高各类实际应用的效率。

针对鲁棒模型拟合方法的高效性这个关键问题,该论文提出一种基于全局贪婪搜索的模型拟合方法。该方法的核心是全局贪婪搜索策略,该策略迭代地通过当前模型假设的排序残差从输入数据中选取数据子集来生成下一个模型假设直到收敛。该方法通过使用一个迭代的过程把全局贪婪搜索策略、传统的贪婪搜索策略和融合策略有效地组合起来,从而准确地拟合输入数据。实验结果表明,在挑战性图像对上,该方法拟合得到的模型参数正确的比率显著地高于传统的基于贪婪搜索策略的模型拟合方法。

论文详细内容见:https://ieeexplore.ieee.org/document/8661750