同时估计和分割含有大量野点的多结构数据
王菡子
教授
厦门大学
Abstract :
鲁棒的参数模型拟合方法在计算机视觉的许多领域都具有广泛的应用，如基础矩阵估计、光流计算、范围图像分割、运动估计和分割等。传统的鲁棒方法（如M-estimators, LMedS和LTS）虽然能够在一定程度上抵制野点（不遵循假设模型的“坏”的数据）的影响，但当噪声和野点占据全部数据的50%以上，这些传统的方法则不能再从数据中精确地估计模型参数。最近在计算机视觉领域一些新的鲁棒方法（如HT, RANSAC, MSAC, MUSE, MINPRAN, ALKS, RESC, pbM, HBM, ASSC, ASKC等）被提出，以容忍数据中50%以上野点的影响。然而，这些方法大多都使用了一个“拟合-移去”的框架（循环地估计不同模型实例的参数，移去属于所估计模型实例的内点数据，重复以上步骤直到最后一个模型实例被拟合和提取）。然而当数据中包含很多个结构的时候，这个框架的计算效率低。而且它需要用户指明数据中结构的数目。如果在前面的步骤错误地估计了模型的参数或内点噪声的尺度，所造成的误差会被传播到接下步骤。 针对以上弱点，我们提出了一个新的拟合框架以处理包含大量野点和多结构的数据。新提出的框架包括一个新的内点尺度估计算子和一个新的模型拟合方法， 它不仅可以自动地估计数据中结构的数目，还能估计每个模型结构的参数和并分割不同的模型实例。在实验上，我们把所提出的框架和方法应用到几何原型（如线和圆）拟合、范围图像分割、运动分割等任务中。
Bio:
王菡子，男，1973年生，厦门大学闽江学者特聘教授。1996和1999年分别获四川大学学士与硕士学位。2004年获澳大利亚MONASH大学博士学位，并荣获Douglas Lampard最佳博士论文奖。 2004至2006年在澳大利亚 MONASH大学电子计算机系统工程系工作，任该系研究员（Research Fellow）。2006至2008年在美国JOHNS HOPKINS大学计算机科学系工作，先后任该系博士后研究员（Postdoctoral Fellow）和助理研究科学家（Assistant Research Scientist）。2008至2010年在澳大利亚Adelaide大学计算机学院工作，任职高级研究员（Senior Research Fellow）。2010年入选厦门大学“闽江学者”特聘教授。主要研究方向：人工智能，计算机视觉和模式识别，图像和视频处理，视频跟踪与监控，鲁棒统计学和模型拟合，目标检测，物体识别，运动估计与分割，光流计算，多视几何学，三维重构等。在国内外重要学术期刊和国际学术会议上已发表论文近50篇，其中，在国际顶级期刊IEEE Trans. PAMI上发表论文3篇，IJCV上发表论文2篇。还有多篇发表在国际权威期刊IEEE Trans. CSVT, PR等上，以及国际顶尖会议ICCV，ECCV，CVPR，NIPS，MICCAI上。
现为IEEE高级会员（Senior Member），担任国际权威SCI期刊《IEEE Transactions on Circuits and Systems for Video Technology》副主编和国际SCI期刊《Pattern Recognition Letters》特邀编委(2009年)。担任国际会议IEEE ICIS2010和DICTA2010的程序委员会主席，以及国际会议CVPR2011，PAKDD2011, CISP2010，CW2008和ACCV2006的程序委员。还担任十余种国际权威期刊如IEEE TPAMI，IEEE TIP，IEEE TCSVT，IJCV，IEEE T. SMC-B，CVIU，IVC等和十余种国际权威会议如ICCV，ECCV，CVPR等的特邀审稿人。