计算机视觉知识点-select search

select serach 提出的时间是2013年,面对分割问题,这个方法得到了极高的recall, 13年的rcnn的区域选取方法就是用的这个方法. select serach 假设区域分割依赖*颜色*/*纹理*/*大小*/*形状*

 

传统方法最好能做到过分割,就是不希望有一个区域有两个物体的情况,但是仅仅依靠颜色是不行的,我们希望的下面这种分割情况.

SS算法的核心步骤是:

1 得到最小粒度的区域

2 把相似的相邻的区域合并

3 重复步骤1

 

实现了下图的效果

 

那么难点来了,怎么才算相似呢?怎么才算颜色相似,纹理相似,大小相似,形状相似呢?

 

 颜色相似判断

 

 

c是颜色直方图, 取了3个通道, 每个通道下25个bin.这个公式我是想不出来,比较有创新.一个*min*实现了颜色相似度的计算,还是比较厉害.

 

纹理相似度判断

 

原文说提取了8个方向的Gaussian derivative,每个通道都提取一次.每个方向计算了10个bin的直方图统计.,这样就有10*8*3 = 240维度的特征描述符.  

 

大小相似度判断

  

*size(im)*表示是整个图像的意思. 好像表达的意思是两个很小的区域比一个小的一个大的区域要好.公式简洁有力,很是牛逼.

 

形状相似度判断

*size(BBij)*是两个区域的外接矩形的意思, 公式的意思是如果两个区域结合后引入了很大的中间空隙,就不是很好.

 

最终相似度判断

  

最终再来个不同相似度的加权,具体加权多少没有看论文就不知道了.

效果

下图显示了前200个区域,如果显示前1200个区域,基本recall就100%了

 

Dogs: top 250 region proposals

Breakfast Table: top 200 region proposals

最后的话

      我是一个工作10年的程序员,工作中经常会遇到需要查一些关键技术,但是很多技术名词的介绍都写的很繁琐,为什么没有一个简单的/5分钟能说清楚的博客呢. 我打算有空就写写这种风格的指南文档.CSDN上搜蓝色的杯子, 没事多留言,指出我写的不对的地方,写的排版风格之类的问题,让我们一起爱智求真吧.wisdomfriend@126.com是我的邮箱,也可以给我邮箱留言.