近年來學者們不斷在對經典演算法ransac進行各種改進，本文想總結一下近年來ransac演算法的各種改進優化。看到乙個寫得很好的部落格系列，可惜博主沒有繼續寫下去了，很希望博主哪天想起來繼續寫下去，我暫時在這裡做一些簡單補充吧（此處暫時只蒐集到的一些相關文獻，後續隨著學習的增加會再繼續完善~ :p）。
ransac簡史
ransac簡史（一）——ransac之初
ransac演算法步驟
1） 從所有的資料中取樣n個點，以能確定出模型；
2） 利用取樣點計算模型；
3） 利用模型來確定其他點是否是內點；如果內點率達到指定值，演算法終止，並用所有內點優化模型；否則，繼續上述過程，直到達到指定的迭代次數，此時將最高內點率對應的模型作為最終模型。
核心思想：待求解的模型，應該是能同時使最多資料點都符合模型。
可能存在的問題
如何選取能用來確定模型的最小資料量n?
取樣策略？
在第一步中，我們要求取樣點盡可能少，同時我們也知道，當資料點存在雜訊（通常考慮為高斯雜訊）時，樣本點的數目越多，求解的模型越準確。這就意味著我們此刻求解的模型不夠準確，那麼這個不夠準確的模型，是否能夠用來判斷其他點是否是內點？
如果我們待求解的問題，無法用乙個模型，或者無法用乙個僅包含若干個引數的模型進行表達，此時是否還能使用「最大一致性」的思路？
如何判斷其他點是否為內點？如果通過其他點與模型的符合程度，那麼如何設定這樣乙個閾值？有時乙個資料是否為內點還與其他資料相關，那麼此時如何考慮資料間的關聯？
(例如兩個資料點相衝突，不可能同時為內點。這種情況會發生在：根據兩張圖特徵點匹配，求解其基礎矩陣時，如果a圖中的兩個點，匹配到b圖中的同乙個點)
使演算法終止的內點率閾值？
(對於一組資料，通常情況下我們是無法知道其最大內點率，但或許我們可以事先求解出最優模型對應的內點率)
如何確定迭代次數上限？
《image matching from handcrafted to deep features: a survey》中提到：
《主成分分析的匹配點對提純方法》中提到：
1.prosac 漸近樣本一致 [6]
progressive sample consensus**翻譯
相比經典的 ransac 方法均勻地從整個集合中取樣，prosac 方法是從不斷增大的最佳對應點集合中進行取樣的。所以這種方法可以節省計算量，提高執行速度。
該方法採用半隨機方法，對所有點對進行質量評價計算q值，然後根據q值降序排列，每次只在高質量點對中經驗模型假設與驗證，這樣就大大降低了計算量，在ransac無法收斂的情況下，prosac依然可以取得良好的結果。opencv中的rho方法就是基於prosac估算。
2.usac 全域性ransac [7]
usac**翻譯
stage1： 最小集取樣方法採用2.2.2節中的prosac。
stage3： 模型（引數）驗證採用2.4.3的sprt測試。
stage4： 產生最終模型，採用2.5.1介紹的lo-ransac。
在本文中，我們通過分析和比較多年來研究的各種方法，對基於ransac的魯棒估計的最新研究進行了全面的綜述。通過引入乙個新的穩健估計框架，我們為這一分析提供了乙個共同的背景，我們稱之為全域性ransac（usac）。usac擴充套件了標準ransac的簡單假設和驗證結構，納入了許多重要的實際和計算考慮因素。
3.mlesac [13]
4.napsac [10]5.lo-ransac 區域性優化的ransac [2] [4]6.r-ransac 隨機模型驗證策略 [3] [11]7.dsac [5]
8.ng-ransac [8]
9.graph-cut ransac [9]
p-ransac
逆序對及其變種
首先看一下逆序對 leetcode 劍指offer 51 在陣列中的兩個數字，如果前面乙個數字大於後面的數字，則這兩個數字組成乙個 逆序對。輸入乙個陣列，求出這個陣列中的逆序對的總數。示例 1 輸入 7,5,6,4 輸出 5 限制 0 陣列長度 50000這也是乙個經典問題，而且如果方向沒對的話，是...
nim遊戲及其變種
nim遊戲 n堆石子，操作為可以從任意一堆拿走任意正整數個石子，不能操作者輸。問先手勝還是後手勝。結論 當n堆石子的個數的亦或為0時，先手必敗 否則先手必勝。證明 1，若亦或值不為0，則一定可以通過一步操作讓它變成0.考慮亦或值最高位的那個1，一定有一堆石子數在那一位是1 否則總的亦或裡的那個1是怎...
Relu啟用函式及其變種
神經網路中使用啟用函式來加入非線性因素，提高模型的抽象表達能力。relu rectified linear unit,修正線性單元 relu公式近似推導 下面解釋上述公式中的softplus,noisy relu.softplus函式與relu函式接近,但比較平滑,同relu一樣是單邊抑制,有寬廣的...