Selective Search for Object Detection

物体检测中，在图像中找到确定一个物体，并找出具体位置。之前的主要做法是基于穷举搜索，或者说是暴力获取（Exhaustive Search），选择一个窗口（window）扫描整张图像（image），改变窗口的大小，继续扫描整张图像。显然这种做法是比较原始的，改变窗口的大小，扫描整张图像，直观上就给人一种非常耗时，结果太杂的印象。在2012年，作者提出了一种新的选出候选区域的方法能够从下面的3个方面优化候选区域问题

（1）  适应不同的尺度（ Capture all scales ）：Exhaustive selective 通过改变窗口大小来适应物体的不同尺度，选择搜索同样无法避免这个问题。算法采用了图像分割（Image Segmentation）以及一种层次算法（HierarchicalAlgorithm）有效地解决了这个问题

（2）  多样化（Diversification）：单一的策略无法应对多种类别的图像。使用颜色（color）、纹理（texture）、大小（size）等多种策略对分割好的区域进行合并

（3）  速度快（Fast to Compute）

 

 

区域合并算法的优化步骤

（1）  使用 Efficient Graph-BasedImage Segmentation【4】的方法获取原始分割区域R={r1,r2,…,rn}

（2）初始化相似度集合S=∅

（3）计算两两相邻区域之间的相似度，将其添加到相似度集合S中

（4）从相似度集合S中找出，相似度最大的两个区域 ri 和rj；将其合并成为一个区域rt；从相似度集合中除去原先与ri和rj相邻区域之间计算的相似度；计算rt与其相邻区域（原先与ri或rj相邻的区域）的相似度，将其结果添加的到相似度集合S中。同时将新区域 rt 添加到 区域集合R中。重复（4），直到S集合为空

（5）获取每个区域的Bounding Boxes，这个结果就是物体位置的可能结果L

 

 ----------------------------------------------------------------------------------------------

【1】  Selective Searchfor Object Recognition解读

【2】  Selective Searchfor Object Recognition - 菜菜鸟小Q的专栏

【3】  Selective Searchfor Object Recognition paper

【4】  Efficient Graph-BasedImage Segmentation