R-CNN之selective search选择搜索原理及实现

最新推荐文章于 2024-07-06 13:49:03 发布
最新推荐文章于 2024-07-06 13:49:03 发布
阅读量2.9k 收藏 7
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_38145317/article/details/90900172
版权
selective search是一种用于目标检测的预处理技术，通过图像分割和层次算法处理不同尺度的目标，减少候选区域的冗余。该方法结合颜色、纹理、大小等策略进行区域合并，以适应多样化图像，同时追求快速计算。通过一系列步骤，包括区域划分、相似度计算和合并，生成提议区域，然后对这些区域打分以筛选目标。
摘要由CSDN通过智能技术生成

selective search 属于传统机器学习方法

在Faster R-CNN中被RPN所取代

在目标检测时，为了定位到目标的具体位置，通常会把图像分成许多子块，然后把子块作为输入，送到目标识别的模型中。分子块的最直接方法叫滑动窗口法。滑动窗口的方法就是按照子块的大小在整幅图像上穷举所有子图像块。这种方法产生的数据量非常大，复杂度太高，产生了很多的冗余候选区域，在现实当中不可行，选择性搜索selective search有效地去除冗余候选区域，使得计算量大大的减小。

我们看上面的一组图片，由于我们事先不知道需要检测哪个类别，因此第一张图中的桌子，瓶子，餐具都是一个个候选目标，而餐具包含在桌子这个目标内，勺子又包含在碗内。这张图展示了目标检测的层级关系以及尺度关系，那我们如何去获得这些可能目标的位置呢？能否通过视觉特征去减少候选框的数量并提高精度呢？

图像可用的特征很多，到底什么特征是有用的呢？

（1) 看第二幅图片中的两只猫咪，他们的纹理是一样的，所以通过纹理特征区分猫是不可行的，但两只猫颜色不一样，因此通过颜色特征比较有用。

(2) 看第三幅图片，变色龙，会发现颜色特征在这里不好用，但会发现若用边缘特征，纹理特征就会较好用。

（3) d图中，我们很容易把车和轮胎看作是一个整体ÿ

最低0.47元/天 解锁文章
wanghua609
关注
RCNN用到的SelectiveSearch的理解笔记
qq_28132591的博客
06-21 1万+
在学习RCNN的过程中，我是从Rich feature hierarchies for accurate object detection and semantic segmenta这篇论文开始，这个论文给出了用DeepLearning做物体识别的一个思路，就是用selectivesearch之类的算法，生成一系列候选区域，并通过与目标区域的重叠比例给出一个值，然后进行训练： 抱着知其然也知
R-CNN之前的准备：Selective Search for Object Recognition
xbcReal的博客
07-24 1338
在阅读这篇博客之前，推荐先阅读关于讲解Efficient Graph-Based Image Segmentation 的这篇关于图像分割的博客，因为这个图像分割算法是selective search算法的一个重要的组成部分。     先说这个算法是用来干嘛的吧。这个算法的作用是给定一张图片，输出一系列的可能包含物体的矩形框，这些矩形框我们称之为检测建议(detection proposals)，
Faster-RCNN·代码解读系列01：Selective Search 和 R-CNN、Fast-CNN 简介
最新发布
小李的研究生学习日记
07-06 686
首先需要一个已经训练好的分类器，然后把图像按照一定间隔和不同的大小分成若干窗口，在这些窗口上执行分类器，如果得到较高的分类分数，就认为是检测到了物体。把每个窗口都用分类器执行一遍之后，再对得到的分数做一些后处理如非极大值抑制(Non-Maximum Suppression, NMS)等，最后就得到了物体类别和对应区域，其方法示意图如图所示。滑窗法相当于对一张图像上的子区域进行类似穷举式的搜索， 一般情况下这种低效率搜索到的区域里大部分都是没有任何物体的。
目标检测RCNN系列的候选区选择算法——selective search（原理+Python实现）
macan的博客
12-14 4806
一直想总结下目标检测的一系列算法，分为两个主要路线，一个是从RCNN发展起来的两阶段算法，另一个是以YOLO发展的一阶段算法。本篇属于RCNN算法中重要的一部分，用来解决生成候选区域的问题，算是基础，也很重要，尽管该算法已经过时了，但是掌握其中的思想用来解决可以问题还是不错的。 简述 作用：在原图片上，以尽可能快和好地生成可能包含目标的候选块。换句话说，避免了穷举法的计算量大且无图像本身信息的缺点。 解决办法（大致思想）： selective search首先使用 Felzenswalb图像分割算法将图像
RCNN选择性搜索（Selective Search）
weixin_30824277的博客
11-04 508
RCNN选择性搜索（Selective Search） 基于： 1）图片大小 2）颜色 3）纹理 4）附件 算法一：分组分类算法 输入：（图层颜色）图片 输出：对象位置假设集L Obtain initial regions R = {r1,··· ,rn} using [13] Initialise similarity set S = 空集 fore...
Selective Search 选择性搜索算法原理
wangc1994的博客
10-14 2820
1. 什么是 Selective Search ? 简单说，就是从图片中找出物体可能存在的区域，下面宇航员图片中红色框就是 selective search 找出来的可能存在物体的区域， 2. 与传统的目标检测算法相比 传统的目标检测算法一般是图片上使用穷举法或者滑动窗口选出所有物体可能出现的区域框，对这些区域框提取特征并进行使用图像识别分类方法，得到所有分类成功的区域后，通过非极大值抑制输出...
【原创】R-CNN及Selective Search原理详解
qq_42035274的博客
09-03 1878
R-CNN原理详解：候选区域生成Selective Search方法算法流程计算相似度给区域打分特征提取类别判定位置调整总结 R-CNN论文链接：R-CNN R-CNN将CNN引入了目标检测领域，可以说是CNN在目标检测领域的开山之作，改变了目标检测领域的研究思路，紧随其后的是Fast R-CNN、Faster R-CNN、Mask R-CNN等一系列模型。 R-CNN分为三个部分： 1.候选区域生成：对输入图像采用Selective Search的方法生成2K个较为可能是目标的候选区域 2.特征提取：
91.R-CNN，Fast R-CNN，Faster R-CNN原理及执行与训练的实例+实现自己的目标检测 - 向阳的博客 -
08-03
在此基础上，Faster R-CNN更进一步，引入了区域提议网络（Region Proposal Network, RPN），将区域提议过程集成到CNN中，实现了端到端的训练和检测，大大提升了目标检测的速度和性能。 总结来说，R-CNN系列算法的...
R-CNN、SPPNet、Fast Rcnn、Faster R-CNN 原理以及区别
01-06
R-CNN原理：   R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先...
R-CNN/Fast-R-CNN/Faster-R-CNN原始英文论文
03-26
阅读《Faster_RCNN.pdf》、《RCNN.pdf》和《Fast_R-CNN.pdf》这三篇论文，可以深入了解这些方法的原理、实现细节以及实验结果，对于理解深度学习在目标检测中的应用至关重要。对于研究或开发目标检测算法的人来说，...
Selective Search for Object Recognition算法详解
08-03
Selective Search for Object Recognition论文中OpenCV2.4.13+VS2015完全实现版。作者对其中加入了大量代码注释，甚至每个变量的含义都解释得非常清晰。代码结构完整，可以让读者更好的理解Selective Search算法。可以完美运行，得到实验结果。代码中附带Graph-Based Image Segmentation论文中图像分割算法详解代码。便于学习理解这两篇论文中介绍的算法的主要思想和实现。
selectiveSearch C++实现
11-24
selective search C++实现（大部分）
selective search（RCNN使用的ROI提取方法）
sinat_35257860的博客
06-08 5229
安装selective search $ pip install selectivesearch 读取并显示图片 import matplotlib.pyplot as plt import matplotlib.patches as mpatches import selectivesearch from skimage import io # img = io.imread('/ho
selective search 算法
realjc的博客
10-11 508
早期的RCNN目标检测算法中使用selective search算法来产生region proposals. 该算法的大致流程如下： 1、利用图分割算法将图像分成不同的区域，并为这些区域产生相应的包围框 2、计算包围框之间的相似度，相似度可以分为四个部分（颜色相似度、纹理相似度和大小，相交约束），合并相近的包围框 3、排除过大、过小、长宽比过大、过小的包围框即可 参考代码： #pragma once #include <algorithm> #include <array> #in
selective search算法
lianhuijuan的专栏
03-21 3796
在介绍Selective Search之前，先说说其需要考虑的几个问题： 1. 适应不同尺度：穷举搜索（Exhaustive Selective）通过改变窗口大小来适应物体的不同尺度，选择搜索（Selective Search）同样无法避免这个问题。算法采用了图像分割（Image Segmentation）以及使用一种层次算法（Hierarchical Algorithm）有效地解决了这个问
【R-CNN目标检测系列】一、选择性搜索详解
戴璞微的学习之路
07-16 1654
这里写自定义目录标题前言一、概述二、选择性搜索2.1 算法流程2.2 相似度度量3 选择性搜索python实现 前言 在刚刚过去的一个学期里，基本水逆了一整个学期，这学期基本没干什么活，就跟RCNN杠上了。首先是看论文，然后是网上找tensorflow写好的源码。但是，可惜的是网上给出的源码基本上是RCNN的主要作者Ross Girshick大神的代码，不同数据集换了下。因此为了理解源码，RCNN...
RCNN----选择性搜索（selective search）
AI小花猫的博客
04-17 470
深度学习selective search学习
rcnn中的selective search
小白的博客
04-11 519
通过基于区域的方法，将图像分成许多小块，然后根据相似度的计算，不断聚合相邻小区域 具体解析参见：https://www.cnblogs.com/zyly/p/9259392.html img_lbl, regions = selectivesearch.selective_search( img, scale=500, sigma=0.9, min_size=10) img...
Python+PyQt5实现R-CNN目标检测候选区域可视化工具
候选区域的生成方法包括objectness（基于图像特征的概率估计算法）、selective search（选择性搜索算法）、category-independent object proposals（基于上下文的提议算法）、constrained parametric min-cuts (CPMC...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值