选择性搜索算法 (Selective Search)
发布网友
发布时间：2022-10-11 09:06
共1个回答
热心网友
时间：2023-11-03 17:16
object detection 的基础是 object recognition，只不过要先将图片进行分割，对每个分割之后的子图区域 region （也称为 patch） 进行 object recognition.
由于事先并不知道物体在图片的哪个位置，为了避免漏检，我们应该对图片中尽量多的 region 进行搜索。理论上来说，可以有无穷多个 region。这里就需要一种 region proposal 的算法，以比较高效的方式提出图片划分 region 的方式，从而加速整个 object detection 的过程并且提高准确率。
本文将要介绍的 selective search 算法 ，是比较经典的，也是 R-CNN 中使用的 region proposal 算法。
参考文献：
为了避免蛮力搜索，selective search 算法首先需要一个基于像素的图像分割。这里用的是 Felzenszwalb and Huttenlocher 算法 （因为是当时速度最快的算法，而且是公开的），得到一个 oversegmented 的图像分割。例如：
这里之所以用 oversegmented 图像，是为了得到尽可能细分的区域，再以此为基础逐步合并，形成更大的区域。
image segmentation 可以用作 region proposal 的基础，每个分割的区域都可以看作一个潜在的 region，但是一个 object 往往包含了多个分割的区域，例如盛有咖啡的杯子，咖啡和杯子应该作为一个整体来看待。因此，还要根据某种相似性原则进行分割区域的合并，得到更大范围的 region。
Selective search 算法考虑了 4 种相似性度量，取值都在 [0,1] 之间，越大越相似。
最终的相似性度量是上述四个度量的组合：
其中 取 0 或 1.
总结起来，selective search 的算法步骤非常简单：
环境配置：
具体程序：
最后效果如下：
显示的 100 个 region 已经包含了我们感兴趣的待检测区域，说明了 selective search 算法的高效。
