BING

生成目标proposal的快速方法，为接下来的detectors提供可能的目标区域。使用归一化的梯度分辨广义目标，需要将输入图像窗口缩放到8*8，计算64d的归一化梯度特征，之后将梯度进行二值化，进行一些简单的位运算，在voc2007上训练测试，在~1000个proposal时检出率为96.2%。

方法描述：
使用BING计算图像窗口的objectness得分，为了寻找图像中的广义目标，对预定义的量化大小的窗口进行扫描。使用线性模型$w\in \mathbb R^{64}$对每个窗口进行打分:
$s_l=<w,g_l>$ (1)
$l=(i,x,y)$ (2)
其中$s_l$,$g_l$,l,i和(x,y)分别是滤波器得分，NG特征，位置，大小和窗口位置。
最终的objectness得分是：
$o_l=v_i\cdot s_l+t_i$ (3)
$v_i$ 和$t_i$ 分别是量化尺寸i对应的系数和偏量。

1.归一化的梯度NG及objectness
由于闭合边界内的变化比较小，NG是分辨目标的好特征，如下图所示，船和人在颜色，形状，纹理和光照等方面有较大不同，但在NG空间二者具有较强的关联性。

2.使用NG学习objectness
使用两级级联的SVM学习窗口的objectness。
State I
使用线性SVM学习公式（1）中的单一模型w，groundtruth 和随机选取背景的NG特征分别为正负样本。
State II
使用线性SVM学习公式（3）中的$v_i$ 和$t_i$， 在尺度i评估训练图像，使用NMS后的proposal作为训练样本，将滤波器得分作为1D特征，使用训练标记检测label。

3.BING
根据Alg1，线性模型$w\in \mathbb R^{64}$ 可使用一系列基向量$w\approx \sum_{j=1}^{N^w}\beta_ja_j$拟合，其中$N_w$ 是基向量的数目，$a_j\in {-1,1}^64$ 表示一个基向量，$\beta_j \in \mathbb R$ 表示对应的系数。二值化的特征b可以使用位运算完成：
<w,b>≈∑Nwj=1βj(2<a+j,b>−|b|) <script type="math/tex" id="MathJax-Element-6460"> \approx \sum_{j=1}^{N_w} \beta_j(2 -|b|)</script>

使用BYTE值的前$N_g$ 二值字节拟合归一化的梯度值，64D的特征$g_l$ 可以使用$N_g$ 个BING特征拟合
$g_l=\sum_{k=1}^{N_g}2^{8-k}b_{k,l}$
快速BING算法:
首先将BING特征$b_{x,y}$ 及最后一行$r_{x,y}$ 保存成一个int64 及 一个BYTE变量。其次，相邻的BING特征及对应的行存在累加的关系。如算法2所示，将$r_{x-1,y}$ 右移一位，并通过或运算插入新字节$b_{x,y}$，通过相似的运算将$b_{x,y-1}$右移８位，丢掉不属于$b_{x,y}$　的字节，并插入新的一行$r_{x,y}$。

（１）式中的滤波器得分可以使用下式得到：