监督学习是指:利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程,也称为监督训练或有教师学习。 监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中,每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据,并产生一个推断的功能,其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。

VIP内容

题目: Robust Multi-Model Fitting by Conditional Sample Consensus

摘要: 我们提出了一种基于噪声测量的多参数模型的鲁棒估计方法。应用包括在人造场景中寻找多个消失点,将平面拟合到建筑图像中,或在同一序列中估计多个刚性运动。与以往的多模型检测采用手工搜索策略相比,我们从数据中学习搜索策略。基于先前检测到的模型的神经网络将RANSAC估计器引导到所有测量的不同子集,从而一个接一个地找到模型实例。我们训练我们的方法监督学习和自我监督学习。对于搜索策略的监督训练,我们提供了一个新的消失点估计数据集。利用该数据集,所提出的算法优于其他鲁棒估计器以及指定消失点估计算法。对于搜索的自监督学习,我们在多单应性估计上评估了所提出的算法,并证明其准确性优于最先进的方法。

成为VIP会员查看完整内容
0
17
子主题
Top