Selective Search for Object Recognition
本文相关
-
Paper Summary:https://github.com/FDU-VTS/CVPaper -
Code:https://github.com/FDU-VTS/CVCode
原文链接
概要
- 本文主要介绍了
Selective Search算法，该算法被广泛应用于物体检测算法中。
算法流程解读
-
整体流程
Algorithm 1: Hierarchical Grouping algorithm Input: (color)image Output: Set of object location hypotheses Obtain initial tegions R = {r1,...,rn} using[1] Initialise similarity set S = 0 foreach Neighbouring region pair(ri, rj) do Calculate similarity s(ri,rj) S = S∪s(ri,rj) while S != ∅ do Get highest similarity s(ri,rj) = max(S) Merge corresponding regions rt = ri ∪ rj Remove similarities regarding ri:S = S\s(ri,r*) Remove similarities regarding rj:S = S\s(r*,rj) Calculate similarity set St between rt and its neighbours S = S ∪ St R = R ∪ rt Extract object location boxes L from all regions in R 首先
input:一张W*H*3的图片output:一组由边界组成的集合获取初始化图像分割使用
Efficient Graph-Based Image SegmentationS表示的是所有区域之间的相似度，不断合并其中相似度最高的区域
相似度计算
- colour(ri,rj)
- 相似度计算公式:
- 解释: C1和C2之间的相似度即为，计算C1和C2的HOG，计算两个HOG的重叠面积即为相似度，计算之前先用L1_norm进行正则化
- 合并公式:
- 解释: 新生成的区域为对原有两个区域进行归一化
- 相似度计算公式:
- texture(ri,rj)
- 使用
SIFT算法进行梯度提取总和
- 使用
- size(ri,rj)
- 公式:
- 解释: ri和rj为选取的两个区域,im为整张图片,意思为优先合并小区域
- 公式:
- fill(ri,rj)
- 公式:
- 解释: 重叠面积占比越多越大
- 公式:
结果计算
- 计算四个相似度之和，按照整体流程描述的合并思路进行合并
