Skip to content

Latest commit

 

History

History
executable file
·
56 lines (49 loc) · 3.67 KB

Selective Search for Object Recognition.md

File metadata and controls

executable file
·
56 lines (49 loc) · 3.67 KB

Selective Search for Object Recognition

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 Segmentation

  • S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
  • texture(ri,rj)
    • 使用SIFT算法进行梯度提取总和
  • 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
  • fill(ri,rj)
    • 公式:
    • 解释: 重叠面积占比越多越大

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

公式集合

  • s_colour(r_i,r_j) = \sum^{n}_{k=1}\min(c_i^k,c_j^k)
  • C_t = \frac{size(r_i)*C_i+size(r_j)*C_j}{size(r_i)+size(r_j)}
  • s_{size}(r_i,r_j) = 1 - \frac{size(r_i)+size(r_j)}{size(im)}
  • fill(r_i,r_j) = 1-\frac{size(BB_ij)-size(r_i)-size(r_i)}{size(im)}