Tome el ejemplo de tratar de calcular una homografía (mapeo) entre dos imágenes. Se extraen varios cientos de puntos clave de cada imagen y el objetivo es unirlos y calcular la transformación que minimiza el error de reproyección después de proyectar puntos de una imagen a otra según la transformación. Sin embargo, al hacer coincidir puntos en una imagen con otra, puede haber valores atípicos (coincidencias incorrectas) que corromperán la estimación de la homografía.
Aquí es donde entra RANSAC. Elija un subconjunto de los puntos de una imagen, haga coincidir estos con la otra imagen y calcule la transformación que minimiza el error de reproyección. Elija otro subconjunto de puntos, combínelos y calcule otra homografía. Enjuague y repita un par de veces usando un subconjunto diferente de puntos clave cada vez. Luego seleccione la homografía que tenga el mínimo error de reproyección.
- ¿Cuáles son los pros y los contras de las diferentes técnicas de factorización matricial: rango bajo, SVD y NMF? ¿Cuáles son algunos ejemplos prácticos de cada uno?
- ¿Cuáles son las mejores herramientas para la minería de datos en Internet? ¿Qué debo usar para configurar un evento automático / alerta de tendencia?
- ¿Cómo deben normalizarse los datos de entrada al entrenar un SVM con un algoritmo en línea?
- Cómo adaptar el filtrado colaborativo para un sistema de recomendación si solo tiene datos de compra a nivel de pedido y no datos a nivel de usuario
- ¿Qué es la traducción automática estadística?
