BING

生成目标proposal的快速方法，为接下来的detectors提供可能的目标区域。使用归一化的梯度分辨广义目标，需要将输入图像窗口缩放到8*8，计算64d的归一化梯度特征，之后将梯度进行二值化，进行一些简单的位运算，在voc2007上训练测试，在~1000个proposal时检出率为96.2%。

方法描述：
使用BING计算图像窗口的objectness得分，为了寻找图像中的广义目标，对预定义的量化大小的窗口进行扫描。使用线性模型 w∈R64 对每个窗口进行打分:
sl=<w,gl> (1)
l=(i,x,y) (2)
其中 sl , gl ,l,i和(x,y)分别是滤波器得分，NG特征，位置，大小和窗口位置。
最终的objectness得分是：
ol=vi⋅sl+ti (3)
vi 和 ti 分别是量化尺寸i对应的系数和偏量。

1.归一化的梯度NG及objectness
由于闭合边界内的变化比较小，NG是分辨目标的好特征，如下图所示，船和人在颜色，形状，纹理和光照等方面有较大不同，但在NG空间二者具有较强的关联性。

2.使用NG学习objectness
使用两级级联的SVM学习窗口的objectness。
State I
使用线性SVM学习公式（1）中的单一模型w，groundtruth 和随机选取背景的NG特征分别为正负样本。
State II
使用线性SVM学习公式（3）中的 vi 和 ti ， 在尺度i评估训练图像，使用NMS后的proposal作为训练样本，将滤波器得分作为1D特征，使用训练标记检测label。

3.BING
根据Alg1，线性模型 w∈R64 可使用一系列基向量 w≈∑Nwj=1βjaj 拟合，其中 Nw 是基向量的数目， aj∈−1,164 表示一个基向量， βj∈R 表示对应的系数。二值化的特征b可以使用位运算完成：
<w,b>≈∑Nwj=1βj(2<a+j,b>−|b|)

使用BYTE值的前 Ng 二值字节拟合归一化的梯度值，64D的特征 gl 可以使用 Ng 个BING特征拟合
gl=∑Ngk=128−kbk,l
快速BING算法:
首先将BING特征 bx,y 及最后一行 rx,y 保存成一个int64 及 一个BYTE变量。其次，相邻的BING特征及对应的行存在累加的关系。如算法2所示，将 rx−1,y 右移一位，并通过或运算插入新字节 bx,y ，通过相似的运算将 bx,y−1 右移８位，丢掉不属于 bx,y 　的字节，并插入新的一行 rx,y 。

（１）式中的滤波器得分可以使用下式得到：