. . . . . . . . "poche"@fr . . . "RANSAC"@ru . "693"^^ . "Multiple View Geometry in Computer Vision"@fr . . . "The Development and Comparison of Robust Methods for Estimating the Fundamental Matrix"@fr . . . "Computer Vision, a modern approach"@fr . . "Two-View Geometry Estimation by Random Sample and Consensus"@fr . "http://vision.ece.ucsb.edu/~zuliani/Research/RANSAC/docs/RANSAC4Dummies.pdf|titre="@fr . "en"@fr . . "13467"^^ . . . . "Ondrej Chum"@fr . . . . "PhD Thesis"@fr . "Andrew Zisserman"@fr . "RANSAC"@fr . . . . . . . . "978"^^ . . . "P.H.S. Torr, and D.W. Murray"@fr . "3253617"^^ . . "20150403023133"^^ . . "RANSAC-Algorithmus"@de . "RANSAC, abr\u00E9viation pour RANdom SAmple Consensus, est une m\u00E9thode pour estimer les param\u00E8tres de certains mod\u00E8les math\u00E9matiques. Plus pr\u00E9cis\u00E9ment, c'est une m\u00E9thode it\u00E9rative utilis\u00E9e lorsque l'ensemble de donn\u00E9es observ\u00E9es peut contenir des valeurs aberrantes (outliers). Il s'agit d'un algorithme non-d\u00E9terministe dans le sens o\u00F9 il produit un r\u00E9sultat correct avec une certaine probabilit\u00E9 seulement, celle-ci augmentant \u00E0 mesure que le nombre d'it\u00E9rations est grand. L'algorithme a \u00E9t\u00E9 publi\u00E9 pour la premi\u00E8re fois par Fischler et Bolles en 1981."@fr . . "International Journal of Computer Vision"@fr . "2002726601"^^ . . . "186848953"^^ . . "24"^^ . . "RANSAC"@it . . . "Upper Saddle River NJ"@fr . "271"^^ . . "2"^^ . . "10.1023"^^ . "RANSAC, abr\u00E9viation pour RANdom SAmple Consensus, est une m\u00E9thode pour estimer les param\u00E8tres de certains mod\u00E8les math\u00E9matiques. Plus pr\u00E9cis\u00E9ment, c'est une m\u00E9thode it\u00E9rative utilis\u00E9e lorsque l'ensemble de donn\u00E9es observ\u00E9es peut contenir des valeurs aberrantes (outliers). Il s'agit d'un algorithme non-d\u00E9terministe dans le sens o\u00F9 il produit un r\u00E9sultat correct avec une certaine probabilit\u00E9 seulement, celle-ci augmentant \u00E0 mesure que le nombre d'it\u00E9rations est grand. L'algorithme a \u00E9t\u00E9 publi\u00E9 pour la premi\u00E8re fois par Fischler et Bolles en 1981. L\u2019hypoth\u00E8se de base est que les donn\u00E9es sont constitu\u00E9es d'\u00AB inliers \u00BB, \u00E0 savoir les donn\u00E9es dont la distribution peut \u00EAtre expliqu\u00E9e par un ensemble de param\u00E8tres d'un mod\u00E8le et que nous qualifierons de \u00AB pertinentes \u00BB, et d'outliers qui sont des donn\u00E9es qui ne correspondent pas au mod\u00E8le choisi. De plus, les donn\u00E9es peuvent \u00EAtre soumises au bruit. Les valeurs aberrantes peuvent venir, par exemple, des valeurs extr\u00EAmes du bruit, de mesures erron\u00E9es ou d'hypoth\u00E8ses fausses quant \u00E0 l'interpr\u00E9tation des donn\u00E9es. La m\u00E9thode RANSAC suppose \u00E9galement que, \u00E9tant donn\u00E9 un ensemble (g\u00E9n\u00E9ralement petit) de donn\u00E9es pertinentes, il existe une proc\u00E9dure qui permet d'estimer les param\u00E8tres d'un mod\u00E8le, ce qui permet d'expliquer de mani\u00E8re optimale ces donn\u00E9es."@fr . "2003"^^ . "David A. Forsyth and Jean Ponce"@fr . . . "2005"^^ . . . . . . "Richard Hartley"@fr . . "1997"^^ . . . . . .