Edge Boxes: Locating Object Proposals from Edges
Edges Boxes：Locating Object Proposals from Edges
Proposal：
(1), 对于一张image，计算每一个pixel的edge response，在paper中使用Structured Edge Detector来判断物体的边界。然后使用NMS去整理edge，得到最后较为稳定的object edges
(2)， 计算edge groups 和 affinity
直观的来说，笔直的边界具有较高的affinity，而曲率较高的边界的affinity较低。
给定一个bbox，根据bbox内部含有的edge的affinity的最大值来判断bbox的boundary。
给定一个edges group的几个，计算两两相邻groups之间的affinity
如果两个groups之间均值夹角接近于groups的方向，则说明这两个edge groups有着较高的affinity。
(3)，计算bounding box的score
从上面得到了edges groups集合S和他们的affinity，可以计算每一个candidate bounding box的object proposal score。
首先计算在group Si 中的所有edges p的mp值的和，为mi，
在group Si中计算si是否完全包含在b中的连续值wb(xi) ，介于[0,1]。
使用一种高效的算法，去计算每一个Sb。上面的公式可以求出edges group Si 与bounding box中含有最高的affinity的一些path。
在上面的公式计算下，很多的pairwise都是0。下面可以计算score：
其中bw 和 bh代表是box的width 和height，k值为1.5，作用是对大windows会有更多的edges进行偏置调节。
同时，发现：box中央的edges会比靠近box边界的edges的作用更小。所以在这里对位于box中央的bin, 做一个调整处理。
定义center的指标是：bin的width和height是整个box的一般，即bw/2, bh/2;
(4),查找策略
使用sliding window search 在一个image上进行 position，scale和aspect ratio上的查找bbox，
在可能含有一个object的区域，会产生更多的bounding boxes和更密集地聚集。利用IoU去筛选，refinement，去合并bounding box。
最后是对得到的bounding boxes进行NMS，得到最终的sorted boxes。
总结：
Object detection领域的unsupervised learning method中最经典的两个之一，另一个是 selective search。