Selective Search for Object Recognition 論文筆記【圖片目標分割】

 這篇筆記，僅僅是對選擇性算法介紹一下原理性知識，不對公式進行推倒.

前言：

這篇論文介紹的是，若是快速的找到的多是物體目標的區域，不像使用傳統的滑動窗口來暴力進行區域識別.這裏是使用算法從多個維度對找到圖片中，可能的區域目標，減小目標碎片，提高物體檢測效率. 下面是這篇文章的筆記：

 

介紹及引言：

　　　圖片是分層次的，好比下圖中a：

　　　　　　

　　 沙拉和匙在沙拉碗裏，而碗又在桌子上，另外桌子和木頭有關或者說桌子和桌子上的全部東西有關.因此圖片中的目標是有層次的. 圖片分割應該按層次來，也不存在使用單個策略這樣通用的方法來進行圖片分割，因此對圖片分割都是基於多個策略，可是這樣又會在合併區域的時候產生衝突.　好比說上圖中的b圖，貓可使用顏色進行分割，可是它們的紋理是同樣的. 相反的 ; 圖Ｃ中的變色龍和周圍的葉子在顏色上是類似的，可是在紋理上確實不一樣的.最後，圖d中，汽車輪子和汽車在顏色和紋理上都是不一樣的，可是和汽車的形狀吻合度很高.　對於這三個圖，採用他們其中的一種視覺特徵是沒法來對它們進行圖片分割的.

　　在這篇文章中，做者結合直覺分割算法和窮舉搜索算法來提出這個selective search(選擇性搜索)算法，使用直覺分割算法是但願達到結合圖片的結構層次從下至上來分割，來產生目標區域.　使用窮舉搜索算法的目的是獲得全部多是目標的區域.　選擇性搜索算法，使用的是多樣化在抽樣算法

　　在這篇文章中，做者主要從下面問題來介紹選擇性策略：

　          1.  選擇性策略採用的是什麼樣的多樣性策略來自適應分割圖片？.

　　　   2.  選擇性策略在圖片中生成高質量小目標的效率怎麼樣？

　　　   3.  可否使用選擇性策略來結合分類模型和外觀模型來進行目標識別？

選擇性算法介紹：

　特色介紹：

　　　　1. 適用全部尺寸.

　　　　　目標能夠以任意尺寸出如今圖片中，甚至有些目標和其餘目標的邊界並不明顯，面對這些問題，選擇性算法會對全部的目標尺寸進行記錄,就像下圖同樣，

能夠很容易使用層次算法來實現.

　　　　　2. 多樣化.

　　　　　　　單個的策略沒法去處理各類各樣差別化區域.　因此使用了多種策略好比顏色空間，紋理，吻合度等.

                 3. 快速的計算.

流程介紹：

 選擇性算法使用的是按層次合併算法（Hierarchical Grouping），基本思路是這樣：

　　　　經過對一張圖片從低向上進行層次劃分，當咱們劃出一個大區域時，繼續在這個大區域中迭代劃分，直到劃不出區域爲止.並將這個過程當中產生的全部的區域記錄下來，

在經過顏色，紋理，吻合度，大小來將這些細碎的區域進行合併.這種方式不須要設定滑動窗口，滑動格子，能夠適應於任何目標的尺寸.

             那麼這個算法的具體過程：

　　　

　　　1. 首先使用Efficient Graph-Based Image Segmentation論文中的方法來按層次來快速獲得分割區域Ｒ

　　　2. 初始化類似度集合Ｓ

           3. 從分割區域集合Ｒ中來兩兩計算類似度，放入到類似度Ｓ集合中.

           4. 從類似度Ｓ集合中，取出類似度最高的兩個分割區域.而後將這兩個區域進行合併,並放入到Ｒ中，而後從類似度Ｓ集合中去除掉

　　　　這兩個分割區域相關聯的區域.而後計算合併的新區域 和它鄰近區域的類似性，放入到Ｓ中，這樣循環.直到Ｓ集合爲空集　

　　　５．重複３直到這個區域變爲一個.

　　　而後輸出在這個過程當中的全部的變化的區域.

關於多樣性策略：

　　分爲兩個大部分：　顏色空間多樣性，區域類似度多樣性　

　　1.  顏色空間多樣性包含八種: 　[1]. RGB，[2]. I灰度圖（grey), [3]. Lab,[4]. RGB圖像中歸一化的rg通道和圖像的灰度圖.　[5]．HSV

　　　[6].歸一化的rbg,[7].C,[8].H

       2. 區域類似度多樣性：　對紋理，吻合度，大小這幾個特徵進行計算

具體推倒過程，見論文.

那麼選擇性算法在物體識別中如何使用的呢？

　　　

咱們使用選擇性算法獲取到一系列可能有目標的區域L，而後咱們將咱們事先打好標籤的目標區域（咱們成爲的ＧＴ）做爲正樣本，在Ｌ集合中的區域中和ＧＴ的IOU在0.2~0.5之間的做爲這個類的負樣本，對於重合度及ＩＯＵ超過0.7的負樣本，我將它丟掉,而後對這些區域的數據，進行特徵提取，論文中使用的SIFT算法，而後將這些特徵中一塊兒放入到線性ＳＶＭ進行該類進行訓練.而後將得分很高的錯誤樣本，放入到負樣本中繼續訓練.依次往復.