Resumen

En varios problemas de visión artificial, una cuestión relevante es la estimación de las homografías entre dos perspectivas diferentes que poseen un amplio conjunto de datos anómalos. Un método para encontrar dicha estimación es el consenso de muestreo aleatorio (RANSAC); en él, el objetivo es maximizar el número de puntos de coincidencia dado un error permisible (Pe), según un modelo candidato. Sin embargo, estos objetivos entran en conflicto: un valor bajo de Pe aumenta la precisión del modelo pero degrada su capacidad de generalización, que se refiere al número de puntos de coincidencia que toleran los datos ruidosos, mientras que un valor alto de Pe mejora la tolerancia al ruido del modelo pero conduce negativamente el proceso a las falsas detecciones. Este trabajo considera el proceso de estimación como un problema de optimización multiobjetivo que busca maximizar el número de puntos de coincidencia mientras que Pe se minimiza simultáneamente. Para resolver la formulación multiobjetivo se han explorado dos algoritmos evolutivos diferentes: el Algoritmo Genético de Ordenación No Dominante II (NSGA-II) y la Evolución Diferencial de Ordenación No Dominante (NSDE). Los resultados, considerando medidas de calidad reconocidas entre las imágenes originales y las transformadas sobre una conocida imagen de referencia, muestran un rendimiento superior de la propuesta que el algoritmo Random Sample Consensus.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:número de emparejamiento, punto de emparejamiento, valor pe bajo, algoritmo genético ii, genética de clasificación no dominada, algoritmo de consenso de muestra, consenso de muestreo aleatorio, algoritmo evolutivo diferente, consenso de muestra aleatoria, diferencial de clasificación no dominada
• Keywords:number of matching, matching point, low pe value, genetic algorithm ii, nondominated sorting genetic, sample consensus algorithm, random sampling consensus, different evolutionary algorithm, random sample consensus, nondominated sorting differential