LMedS

L'algoritmo di rigetto degli outlier chiamato Least Median of Squares (LMedS) è molto simile concettualmente a RANSAC: come per RANSAC viene generato un modello partendo da campionamenti casuali dai dati in ingresso ma, invece che scegliere il modello che raccoglie il maggior numero di consensi (o che minimizza una loss function), LMdeS seleziona fra tutti il modello che ha il valore mediano degli errori minore. Tutti i dati in ingresso pertanto vengono confrontati con il modello, ordinati per errore, ed esaminato il valore mediano.

La relazione tra probabilità di individuare inlier e numero di iterazioni è lo stesso di RANSAC. RANSAC tuttavia richiede due parametri (il numero di iterazioni e la soglia per discriminare se un elemento appartiene o meno al data-set), mentre LMedS richiede solo il primo. Per costruzione, LMedS tuttavia tollera al massimo la presenza del 50% di outlier.

Una buona panoramica delle tecniche RANSAC, M-SAC e LMedS si può trovare in (CKY09).