似物性检测——linux下运行objectness-v2.2并分析源码（pami2012论文）

需要做一个似物性检测，首先去找了前段时间很火的程老师的论文BING看，大概了解objectness的含义，也跑了程老师的代码，因为自己不严谨，所以发短信问程老师还被说了，没好好看论文，不过后面自己还是把程老师的那个代码我跑通了，不过主要内容还是偏加速这一块，所以我另选择了PAMI2012年的代码：
步骤1：在下列网址中下载好Source Code:CALVIN pami，（一般像PAMI这种顶级期刊都会有源码，推荐大家没事多尝试跑一下相关程序，阅读对应的论文，会对你的工作或者科研带来很多帮助）
步骤2：在linux下装对应版本的matlab，推荐2010a及以上（我的系统是centOS 64位，matlab版本是2010a，因为作者的源码使用了混编，所以函数生成的.mexa64文件必须在64位下运行)
步骤3：把文件通过xshell传到linux指定目录下，在linux中运行matlab，找到objectness的目录，首先运行文件夹中startup，然后再运行demo，不过我运行时会出现一些函数没有的提示不过个人推荐做法是找到objectness的根目录，在command窗口执行：

addpath(genpath(pwd));

这样即可把当前目录下所有文件夹都添加进来，这样就不会提示少了哪些函数了。
我们运行它给的demo会出现一个检测图：

红色框框这里的颜色深浅表示这个框得分的高低，越深越高。这里画出了得分前十的滑动窗口，可以看出来效果还是可以的（后话：所以我一开始以为这个效果满足我的要求，不过最后还是放弃了）。

效果看到有了，当然要理解似物性检测的原理,objectness在wiki上是没有解释的，所以我看了这两篇论文，大致理解是这样的：似物性检测的目的是：给出一张图，你不需要告诉我里面有哪些东西，但是你要用滑动窗口包含有可能是物体的区域。 所以目的明确了，学者们就开始想办法实现，一般的思路就是：一张图肯定物体和背景有明显的边缘线，所以诞生了很多objectness detect的方法：

• 1、Multi-scale Saliency(MS)
• 2、Color Constrast(CC)
• 3、Edge Density(ED)
• 4、Superpixel Stradding(SS)

而这篇论文整体也是这个代码的执行部分是MS+CC+SS。这三种方法各有缺点，所以论文结合三种方法达到检测效果最好。实现框架就是：通过MS进行大概可能存在物体的区域刷选，当然这是很粗糙的，然后通过 CC+SS进行进一步打分，三者综合得分递减排序，输出前N个滑动窗口即可，比如上图就是输出前十个。
OK，到这里大概有个思路了，我们开始详细介绍是怎样得出这样好的结果以及前面说过的四种方法具体是怎样做的。

——4.28日更新———-
我们进一步的想法当然是导入我的图片进去寻找，最后出来的结果不尽如意，所以就不贴出来了（直接在demo.m中改成你的名称），这时我反过头来看论文，发现里面对theta值是需要训练的，并且上述的4种方式都会得到一个theta，所以重新看回代码中确实有很多learn开头的函数，定位到所有的开头即为：learnParameters.m文件

learnParameters(pathNewTrainingFolder,dir_root)

看到函数形式，我们只需要输入新的文件夹路径就可以了，（以前的训练样本就在training/Images文件夹下），但是怎样才能满足训练的要求呢？
首先当然要给一大堆训练图像，最好是相同类型的，比如都是动物在森林中之类的，当然你需要给训练函数一个条件，告诉它滑动窗口在哪才是准确的，类型你可以参照已有的训练样本中structGT.mat文件，或者你可以考虑一下在objectness用的很多的voc2007数据库，这样你就不需要自己去标记，因为项目需要我是自己标记了，苦力活，几十张图片都费了很久时间，并且效果不好，不过结果比default parameters出来的效果还是好了不少。最后训练出来的数据会在yourData中，这样我们就得到了自己的训练好的数据，这时我们可以在运行demo前，先加载好我们自己的parameters即可。

———未完————