Machine learning prosac算法的实现细节、意义和重要性

据我所知，Prosac算法是Ransac算法的一个改进版本，它根据数据点的质量进行采样。但是，我无法理解算法实现的细节。具体来说，我无法理解步骤1和步骤2中的两个“如果”。它们在算法中的含义是什么？它们的重要性是什么

参考：

---

与PROSAC–渐进式样本共识相匹配

让我们从定义起作用的变量开始

变量 N：样本总数

m：几何模型的复杂性

t：循环的迭代次数

<强> n*< /强>：终止长度（停止前要考虑的样本数）

TN：定义PROSAC与RANSAC等效的样本数后的参数

Tn：排名靠前的n点的平均样本数

Tn'：Tn的天花板值

第一部分 第一个if检查您是否已用尽可能的样本（意味着您已取样Tn'样本）。因此，为了避免对已采样的样本再次采样，可以增加考虑的点数。如果<强> n＜n*<强>，您就可以增加这个数，这意味着您不能考虑超过<强> n*<强>点，您的停止标准。

第二部分 对于第二个if，我们必须研究Tn'相对于t的行为。我们知道，当t=Tn'时，我们在考虑的点集中添加一个点。因此，Tn'将始终大于t，除非我们无法采样更多点，即n=n*（第一个if）

当我们考虑<强> n*<强>最高排序点时，<强> tn′/强>将停止增长，<强> t最终会变大或等于<>＞tn′< /强>

因此，只要t不超过Tn'，我们将从顶部n点和m-1点取样

当我们至少取样了Tn'次时，我们就像RANSAC一样，从排名靠前的n*点中取样m