Faster Read: Selective Search for Object Recognition
Selective Search
keywords: object recognition, machine learning, SVM
论文名称：Selective Search for Object Recognition
| MLA | Uijlings, Jasper RR, et al. "Selective search for object recognition." International journal of computer vision 104.2 (2013): 154-171. |
|---|
Prerequisite: SVM（用于训练）, Efficient Graph-Based Image Segmentation（用于分割原始图像）
目的：用了segmentation和grouping的方法来进行object proposal，然后用了一个SVM进行物体识别。
北京：在做物体识别（Object Recognition）过程中，不能通过单一的策略来区分不同的物体，需要充分考虑图像物体的多样性（diversity）。另外，在图像中物体的布局有一定的层次（hierarchical）关系，考虑这种关系才能够更好地对物体的类别（category）进行区分。
方法：
选取阶段：
- 使用 Efficient Graph-Based Image Segmentation 的方法获取原始分割区域R={r1,r2,…,rn}
- 初始化相似度集合S=∅
- 计算两两相邻区域之间的相似度，将其添加到相似度集合S中
- 从相似度集合S中找出，相似度最大的两个区域 ri 和rj，将其合并成为一个区域 rt，从相似度集合中除去原先与ri和rj相邻区域之间计算的相似度，计算rt与其相邻区域（原先与ri或rj相邻的区域）的相似度，将其结果添加的到相似度集合S中。同时将新区域 rt 添加到 区域集合R中。
- 获取R中每个区域的Bounding Boxes，这个结果就是物体位置的可能结果L
识别阶段：
训练方法采用SVM。首先选择包含真实结果（ground truth）的物体窗口作为正样本（positive examples），选择与正样本窗口重叠20%~50%的窗口作为负样本（negative examples）。在选择样本的过程中剔除彼此重叠70%的负样本，这样可以提供一个较好的初始化结果。在重复迭代过程中加入hard negative examples（得分很高的负样本），由于训练模型初始化结果较好，模型只需要迭代两次就可以了。
论文原创：相似度计算（包括颜色colour，材质texture，大小size和拟合度fit）
细节看ref：
- ****: csyhhb - 论文笔记 《Selective Search for Object Recognition》
- ****: surgewong - Selective Search for Object Recoginition
- ****: charwing - Selective Search for Object Recognition
帮助阅读论文：
Rich feature hierarchies for accurate object detection and semantic segmentation （RCNN）
帮助部分：帮助选择图片中的region proposal