BING和EdgeBoxes移植到TK1（未完）

1.前言

计划参加Low-Power Image Recognition Challenge比赛，为了达到低功耗我们目前使用TK1。Image Recognition现在最流行且最先进的方法之一，当属R-CNN，其又发展出Fast R-CNN和Faster R-CNN。
目前Fast R-CNN采用Object proposal的方法是Selective Search，Object proposal发展得也很灿烂，例如：piotrdollár的EdgeBoxes、Ming-ming Cheng的BING。EdgeBoxes和BING就是与Selective Search相比较下，处理速度快是它们的优势，但是总体上Recall不如Selective Search，Recall这个指标间接反映了CNN的分类的精确度。
为了上TK1运行，Selective Search的速度慢的让人心慌，所以不得不采用其他的解决方案，于是乎EdgeBoxes和BING就进入了我们的视野。
Show一下粗略的数据：

• 环境: TK1
• 数据集: ImageNet

name	image/sec	with omp
SS	22	\
BING	0.3	0.06
EB	1.8	0.34

2.EdgeBoxes移植

Edge Boxes: Locating Object Proposals from Edges

3.BING移植

BING: Binarized Normed Gradients for Objectness Estimation at 300fps