| Property |
Value |
| dbo:abstract
|
- RANSAC, abréviation pour RANdom SAmple Consensus, est une méthode pour estimer les paramètres de certains modèles mathématiques. Plus précisément, c'est une méthode itérative utilisée lorsque l'ensemble de données observées peut contenir des valeurs aberrantes (outliers). Il s'agit d'un algorithme non-déterministe dans le sens où il produit un résultat correct avec une certaine probabilité seulement, celle-ci augmentant à mesure que le nombre d'itérations est grand. L'algorithme a été publié pour la première fois par Fischler et Bolles en 1981. L’hypothèse de base est que les données sont constituées d'« inliers », à savoir les données dont la distribution peut être expliquée par un ensemble de paramètres d'un modèle et que nous qualifierons de « pertinentes », et d'outliers qui sont des données qui ne correspondent pas au modèle choisi. De plus, les données peuvent être soumises au bruit. Les valeurs aberrantes peuvent venir, par exemple, des valeurs extrêmes du bruit, de mesures erronées ou d'hypothèses fausses quant à l'interprétation des données. La méthode RANSAC suppose également que, étant donné un ensemble (généralement petit) de données pertinentes, il existe une procédure qui permet d'estimer les paramètres d'un modèle, ce qui permet d'expliquer de manière optimale ces données. (fr)
- RANSAC, abréviation pour RANdom SAmple Consensus, est une méthode pour estimer les paramètres de certains modèles mathématiques. Plus précisément, c'est une méthode itérative utilisée lorsque l'ensemble de données observées peut contenir des valeurs aberrantes (outliers). Il s'agit d'un algorithme non-déterministe dans le sens où il produit un résultat correct avec une certaine probabilité seulement, celle-ci augmentant à mesure que le nombre d'itérations est grand. L'algorithme a été publié pour la première fois par Fischler et Bolles en 1981. L’hypothèse de base est que les données sont constituées d'« inliers », à savoir les données dont la distribution peut être expliquée par un ensemble de paramètres d'un modèle et que nous qualifierons de « pertinentes », et d'outliers qui sont des données qui ne correspondent pas au modèle choisi. De plus, les données peuvent être soumises au bruit. Les valeurs aberrantes peuvent venir, par exemple, des valeurs extrêmes du bruit, de mesures erronées ou d'hypothèses fausses quant à l'interprétation des données. La méthode RANSAC suppose également que, étant donné un ensemble (généralement petit) de données pertinentes, il existe une procédure qui permet d'estimer les paramètres d'un modèle, ce qui permet d'expliquer de manière optimale ces données. (fr)
|
| dbo:thumbnail
| |
| dbo:wikiPageExternalLink
| |
| dbo:wikiPageID
| |
| dbo:wikiPageLength
|
- 13467 (xsd:nonNegativeInteger)
|
| dbo:wikiPageRevisionID
| |
| dbo:wikiPageWikiLink
| |
| prop-fr:année
|
- 1997 (xsd:integer)
- 2003 (xsd:integer)
- 2005 (xsd:integer)
|
| prop-fr:auteur
|
- Andrew Zisserman (fr)
- Ondrej Chum (fr)
- P.H.S. Torr, and D.W. Murray (fr)
- Richard Hartley (fr)
- Andrew Zisserman (fr)
- Ondrej Chum (fr)
- P.H.S. Torr, and D.W. Murray (fr)
- Richard Hartley (fr)
|
| prop-fr:auteurs
|
- David A. Forsyth and Jean Ponce (fr)
- David A. Forsyth and Jean Ponce (fr)
|
| prop-fr:doi
| |
| prop-fr:formatLivre
| |
| prop-fr:horodatageArchive
|
- 20150403023133 (xsd:decimal)
|
| prop-fr:isbn
| |
| prop-fr:journal
|
- International Journal of Computer Vision (fr)
- PhD Thesis (fr)
- International Journal of Computer Vision (fr)
- PhD Thesis (fr)
|
| prop-fr:langue
| |
| prop-fr:lccn
| |
| prop-fr:lieu
|
- Upper Saddle River NJ (fr)
- Upper Saddle River NJ (fr)
|
| prop-fr:numéroD'édition
| |
| prop-fr:pages
| |
| prop-fr:pagesTotales
| |
| prop-fr:titre
|
- Computer Vision, a modern approach (fr)
- Multiple View Geometry in Computer Vision (fr)
- The Development and Comparison of Robust Methods for Estimating the Fundamental Matrix (fr)
- Two-View Geometry Estimation by Random Sample and Consensus (fr)
- Computer Vision, a modern approach (fr)
- Multiple View Geometry in Computer Vision (fr)
- The Development and Comparison of Robust Methods for Estimating the Fundamental Matrix (fr)
- Two-View Geometry Estimation by Random Sample and Consensus (fr)
|
| prop-fr:url
| |
| prop-fr:volume
| |
| prop-fr:wikiPageUsesTemplate
| |
| prop-fr:éditeur
| |
| dct:subject
| |
| rdfs:comment
|
- RANSAC, abréviation pour RANdom SAmple Consensus, est une méthode pour estimer les paramètres de certains modèles mathématiques. Plus précisément, c'est une méthode itérative utilisée lorsque l'ensemble de données observées peut contenir des valeurs aberrantes (outliers). Il s'agit d'un algorithme non-déterministe dans le sens où il produit un résultat correct avec une certaine probabilité seulement, celle-ci augmentant à mesure que le nombre d'itérations est grand. L'algorithme a été publié pour la première fois par Fischler et Bolles en 1981. (fr)
- RANSAC, abréviation pour RANdom SAmple Consensus, est une méthode pour estimer les paramètres de certains modèles mathématiques. Plus précisément, c'est une méthode itérative utilisée lorsque l'ensemble de données observées peut contenir des valeurs aberrantes (outliers). Il s'agit d'un algorithme non-déterministe dans le sens où il produit un résultat correct avec une certaine probabilité seulement, celle-ci augmentant à mesure que le nombre d'itérations est grand. L'algorithme a été publié pour la première fois par Fischler et Bolles en 1981. (fr)
|
| rdfs:label
|
- RANSAC (fr)
- RANSAC (it)
- RANSAC (ru)
- RANSAC-Algorithmus (de)
- RANSAC (fr)
- RANSAC (it)
- RANSAC (ru)
- RANSAC-Algorithmus (de)
|
| rdfs:seeAlso
| |
| owl:sameAs
| |
| prov:wasDerivedFrom
| |
| foaf:depiction
| |
| foaf:isPrimaryTopicOf
| |
| is dbo:wikiPageWikiLink
of | |
| is oa:hasTarget
of | |
| is foaf:primaryTopic
of | |
