Selective Search学习笔记

Selective Search 方法主要有三个优势

  1. 捕捉不同尺度 capture all scales
  2. 多样化 diversification
  3. 快速计算 fast to compute

总结为:选择性搜索是用于目标检测的区域提议算法,它计算速度快,具有很高的召回率,基于颜色,纹理,大小和形状兼容计算相似区域的分层分组。

selective search 算法主要包含两个内容:hierarchical grouping algorithmdiversification strategies

  1. hierarchical grouping algorithm:
    图像中区域特征比像素更具代表性,作者先产生图像初始区域,使用贪心算法对区域进行迭代分组:
  • 计算所有邻近区域之间的相似性
  • 两个最相似的区域被组合在一起
  • 计算合并区域和相邻区域的相似度
  • 重复2/3过程,直到整个图像变成一个地区

在每次迭代中,形成更大的区域并将其添加到区域提议列表中。以自下而上的方式创建从较小的细分 segments 到较大细分 segments 的区域提案。

  1. diversification strategies
    这部分是多样化的一些策略,使得抽样多样化,主要有下面三个不同方面:
  • 利用各种不同不变性的色彩空间
  • 采用不同的相似性度量
  • 通过改变起始区域

colour spaces:
考虑到场景、光照条件的不同,作者提出使用八种不变性属性的各种颜色空间应用在 hierarchical grouping algorithm。

similarity measures:

  • 颜色相似度衡量
  • 纹理相似度衡量(论文采用SIFT-Like特征)
  • 尺度相似度衡量(为了保证区域合并操作的尺度较为均匀,目的是尽量让小的区域先合并)
  • 形状重合度衡量(为了衡量两个区域是否更加重合,合并后区域的bounding box越小,其重合度越高。

最终的相似度衡量由这四项组合而成。

Reference:
https://zhuanlan.zhihu.com/p/39927488


A u t h o r : C h i e r Author: Chier Author:Chier

你可能感兴趣的:(论文笔记,计算机视觉cv,学习,深度学习,计算机视觉)