参考 Selective Search for Object Recognition 论文笔记【图片目标分割】 - 云+社区 - 腾讯云
前言:
这篇论文介绍的是,如果快速的找到的可能是物体目标的区域,不像使用传统的滑动窗口来暴力进行区域识别。这里是使用算法从多个维度对找到图片中,可能的区域目标,减少目标碎片,提升物体检测效率。
介绍及引言:
图片是分层次的,比如下图中a:
沙拉和匙在沙拉碗里,而碗又在桌子上,另外桌子和木头有关或者说桌子和桌子上的所有东西有关,所以图片中的目标是有层次的。图片分割应该按层次来,也不存在使用单个策略这样通用的方法来进行图片分割,所以对图片分割都是基于多个策略,但是这样又会在合并区域的时候产生冲突。比如说上图中的b图,猫可以使用颜色进行分割,但是它们的纹理是一样的。相反的 ; 图C中的变色龙和周围的叶子在颜色上是相似的,但是在纹理上确实不同的。最后,图d中,汽车轮子和汽车在颜色和纹理上都是不同的,但是和汽车的形状吻合度很高。对于这三个图,采用他们其中的一种视觉特征是无法来对它们进行图片分割的。
在这篇文章中,作者结合直觉分割算法和穷举搜索算法来提出这个selective search(选择性搜索)算法。使用直觉分割算法是希望达到结合图片的结构层次从下至上来分割,来产生目标区域。使用穷举搜索算法的目的是得到所有可能是目标的区域。选择性搜索算法,使用的是多样化再抽样算法。
在这篇文章中,作者主要从下面问题来介绍选择性策略:
1. 选择性策略采用的是什么样的多样性策略来自适应分割图片?
2. 选择性策略在图片中生成高质量小目标的效率怎么样?
3. 能否使用选择性策略来结合分类模型和外观模型来进行目标识别?
选择性算法介绍:
特点介绍:
1. 适用所有尺寸.
目标可以以任意尺寸出现在图片中,甚至有些目标和其他目标的边界并不明显,面对这些问题,选择性算法会对所有的目标尺寸进行记录,就像下图一样,可以很容易使用层次算法来实现。
2. 多样化.
单个的策略无法去处理各种各样差异化区域。所以使用了多种策略比如颜色空间,纹理,吻合度等。
3. 快速的计算.
流程介绍:
选择性算法使用的是按层次合并算法(Hierarchical Grouping),基本思路是这样:
通过对一张图片从低向上进行层次划分,当我们划出一个大区域时,继续在这个大区域中迭代划分,直到划不出区域为止。并将这个过程中产生的所有的区域记录下来,在通过颜色,纹理,吻合度,大小来将这些细碎的区域进行合并。这种方式不需要设定滑动窗口,滑动格子,可以适应于任何目标的尺寸。
那么这个算法的具体过程:
1. 首先使用Efficient Graph-Based Image Segmentation论文中的方法来按层次来快速得到分割区域R;
2. 初始化相似度集合S;
3. 从分割区域集合R中来两两计算相似度,放入到相似度S集合中;
4. 从相似度S集合中,取出相似度最高的两个分割区域.然后将这两个区域进行合并,并放入到R中,然后从相似度S集合中去除 掉这两个分割区域相关联的区域.然后计算合并的新区域 和它邻近区域的相似性,放入到S中,这样循环.直到S集合为空集;
5. 重复3直到这个区域变为一个;然后输出在这个过程中的所有的变化的区域;
关于多样性策略:
分为两个大部分:颜色空间多样性、区域相似度多样性。
1. 颜色空间多样性包含八种:
[1]RGB
[2]I灰度图(grey)
[3]Lab
[4]RGB图像中归一化的rg通道和图像的灰度图
[5]HSV
[6]归一化的rbg
[7]C
[8]H
2. 区域相似度多样性:
对纹理、吻合度、大小这几个特征进行计算,具体推倒过程,见论文,那么选择性算法在物体识别中如何使用的呢?
我们使用选择性算法获取到一系列可能有目标的区域L,然后我们将我们事先打好标签的目标区域(我们成为的GT)作为正样本,在L集合中的区域中和GT的IOU在0.2~0.5之间的作为这个类的负样本,对于重合度及IOU超过0.7的负样本,我将它丢掉,然后对这些区域的数据,进行特征提取,论文中使用的SIFT算法,然后将这些特征中一起放入到线性SVM进行该类进行训练.然后将得分很高的错误样本,放入到负样本中继续训练.依次往复。
文章地址:خطای 404 : تی پی بین
转载地址:Selective Search for Object Recognition 论文笔记【图片目标分割】 - 龚细军 - 博客园