本文介绍了选择性搜索（Selective Search）方法，结合了分割和蛮力搜索策略，用于减少物体识别的搜索空间。文章详细阐述了分层分组、颜色模型、相似性准则、纹理计算以及填充度等关键概念，并探讨了如何使用选择性搜索进行物体识别的训练与迭代。最终，通过评价标准ABO和MABO评估了方法的有效性。
最近被老师弄去做图像方向，完全没相关经验，都是从论文看起。之后会整理我看的一系列论文，可能会有很多错误的地方，如果有发现，欢迎提出！
很多人问要代码，在文章结尾有分享。
Selective Search for Object Recognition
是J.R.R. Uijlings发表在2012 IJCV上的一篇文章。主要介绍了选择性搜索（Selective Search）的方法。选择性搜索综合了蛮力搜索（exhaustive search）和分割（segmentation）的方法。选择性搜索意在找出可能的目标位置来进行物体的识别。与传统的单一策略相比，选择性搜索提供了多种策略，并且与蛮力搜索相比，大幅度降低搜索空间，让我们可以用到更好的识别算法。
现实中，很多图像是包含多类别，多层次的信息的，如上图。所以我们要用到多层分割的方法，并且要用多种分割策略。
（一）选择性搜索（selectivesearch）
1. 分层分组：区域包含的信息比像素多，所以我们的特征是基于区域的。为了得到一些小的初始化的区域，用的是[13]中区域划分的方法。
[13]具体看http://blog.sciencenet.cn/blog-261330-722530.html
然后我们的分层分组算法如下：
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
