SegmentationasSelectiveSearchforObjectRecognition
摘要
对于物体识别来说,当时的方法是基于穷举搜索。此处提出了利用更加具有价值的信息的方法:对于一些少量且精确的物体描绘生成许多合适的位置信息——(1)不会被发现的那些物体的位置信息是不会被识别的,(2)外观和周围的内容对于物体识别来说是最为有效的信息。总之我们的方法很棒,能够比当时最先进的算法的分类识别率还要高。你不服不行。
1 引言
所谓物体识别,就是找到物体的位置,以及其类别信息。我们准备用分割的方法来生成一定数量的位置信息,允许使用更加有效的bag-of-words特征。为了促进物体识别,每张图片生成几千个位置信息能够保证包含实际的所有物体,此外,粗糙的分割包含了一些对周围信息有利的物体分类信息,因此,我们将我们计算主要放在图像的这些部分上,这些地方包含了物体分类最为有效的信息。
总而言之,我们的主要贡献有:(1)我们重新考虑了分割,并且把分割作为选择物体识别的最佳位置。我们强调回归(召回?)更喜欢物体的近似而不是精确地物体轮廓。(2)我们证明环境因素通过不变的色彩空间能够产生一个高召回率的选择策略(3)我们的选择策略可以利用多种特征来进行。
2 分割——选择搜索
高召回率 :为了获得高召回率,我们采取以下假设,(1)物体能够在一张图片中以任意大小的形式出现,此外,一些物体可能包含在其他的物体中,所以生成所有规格大小的物体位置是必要的。(2)没有单一最好的策略,我们追求的是把多个互补的分割结合起来,已达到最优。
泛化位置信息充足 : 精确的物体轮廓在这里不是很重要。
计算速度快 :
3 分割算法
我们使用了大小和外观特征,由于区域要比像素包含更多的信息,我们首先从过分割开始,了如一些小的区域,并不会包含多个物体。根据初始区域,我们采用贪心算法能够迭代的将两个最相思的区域结合在一起,我们一直这样做下去,直到整张图片变成一个区域。
这种文章真心看不下去,我去看卷积神经网络吧。
Emma
SIAT
2017.02.28