論文提要“Selective Search for Object Recognition”
【原文:http://blog.csdn.net/cv_family_z/article/details/46727519】
這篇2012年的IJCV使用分割和窮舉搜尋的方法產生目標proposal,最近出現的R-CNN就是在這些proposal上學習特徵進行目標識別的,目標proposal是相對於滑動窗產生的候選框來說的,proposal的數量要少很多。
區域可以歸併到一起的原因有很多,如下圖所示,(b)顏色,(c)紋理,(d)包含問題,車輛包含車輪等。
論文提出了一種資料驅動的SS,結合窮舉搜尋和多元化取樣方法捕獲所有的可能區域,文章回答了幾個問題:1)自適應分割的多元化策略有哪些,2)產生高質量loc的效率,3)使用SS結合好的分類器和模型描述方法來做目標識別;
演算法描述:
SS演算法的設計基於以下考慮:1)捕獲所有尺度,2)多樣化歸併方法,3)速度快。首先使用論文“Efficient Graph-Based Image Segmentation”中的方法生成一些起始的小區域,之後使用貪心演算法將區域歸併到一起:先計算所有臨近區域間的相似度,將最相似的兩個區域歸併,然後重新計算臨近區域間的相似度,歸併相似區域直至整幅影象成為一個區域,演算法具體描述如下:
多元化策略:使用不同的顏色空間和不同的相似度計算方法
A.互補的顏色空間
在一系列顏色空間中實現多級歸併演算法,包括RGB,灰度圖,Lab,rgI,HSV,歸一化RGB,etc.
B.互補的相似度度量
1)顏色相似度,顏色直方圖交叉函式
2)紋理相似度,使用類SIFT度量,對每個顏色通道在8個方向上進行高斯微分,每個通道的每個方向提取出一個bin是10的直方圖,獲得一個240維大小的直方圖,最後使用L1 範數進行歸一化,同樣適用交叉函式進行相似度度量
3)尺度相似度,計算兩個區域共同佔有影象面積的比例,小區域優先合併,同時放置某個區域將其他區域全部吞併。
4)填充相似度,主要用來填充縫隙,如果ri 包含在rj 內,顯然需要將它們合併,定義BBij 為包圍ri 和rj 的框,填充相似度計算BBij 中沒被ri 和rj 覆蓋的區域佔整幅影象的比例:
最終的相似度度量是以上四種相似度度量的組合:
Combining Locations
對假設的目標進行排序,對於給定的歸併策略j,使用rji 表示層i對應的區域,i=1時區域為整幅影象,令其位置值vji=RND×i,最終的排名是使用vji對區域進行排序.
(沒懂啥意思)
目標分類
分類使用的特徵是BOW,採用顏色-SIFT和精細空間分割,詞袋適合可變物體的識別,HOG適合剛體的識別,分類器使用的SVM。訓練框架如下圖所示:
正樣本為物體的ground truth,負樣本為SS產生的與正樣本交疊20%~50%的proposal,同時剪除了重疊面積大於70%的負樣本,這些負樣本是hard樣本,在分類中能夠成為支援向量。
相關文章
- Selective Search for Object RecognitionObject
- 論文提要 Deep Face Recognition
- 【論文筆記】A Survey on Deep Learning for Named Entity Recognition筆記
- [論文閱讀] Residual Attention(Multi-Label Recognition)
- [論文閱讀] Temporal Extension Module for Skeleton-Based Action Recognition
- 論文翻譯五:A New Method of Automatic Modulation Recognition Based on Dimension Reduction
- 論文閱讀:End to End Chinese Lexical Fusion Recognition with Sememe Knowledge
- Raft論文《 In Search of an Understandable Consensus Algorithm (Extended Version) 》研讀RaftGo
- [論文閱讀] VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
- 《BASNet:Boundary-Aware Salient Object Detection》論文筆記Object筆記
- 《Density Map Guided Object Detection in Aerial Images》論文10問GUIIDEObject
- 論文學習13“Feature Pyramid Networks for Object Detection”Object
- 論文筆記 Deep Patch Learning for Weakly Supervised Object Classication and Discovery筆記Object
- 【論文解讀】【半監督學習】【Google教你水論文】A Simple Semi-Supervised Learning Framework for Object DetectionGoFrameworkObject
- [論文][表情識別]Towards Semi-Supervised Deep Facial Expression Recognition with An Adaptive Confidence MarginExpressAPTIDE
- 論文學習8“DeCAF: A Deep Convolutional Activation Feature for Generic Visual Recognition”文章學習...
- Sparse R-CNN: End-to-End Object Detection with Learnable Proposals 論文解讀CNNObject
- 【論文】軍事理論課程論文
- Selective Search——Region Proposal的源頭 (目標檢測)(two-stage)(深度學習)(IJCV 2013)深度學習
- 論文閱讀:Borrowing wisdom from world: modeling rich external knowledge for Chinese named entity recognition
- 深度學習論文翻譯解析(十一):OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks深度學習
- 論文
- Sequence recognition
- 《Cascade R-CNN: Delving into High Quality Object Detection》論文筆記CNNObject筆記
- [論文翻譯][1809 09294]Object Detection from Scratch with Deep SupervisionObject
- Sparse R-CNN: End-to-End Object Detection with Learnable Proposals - 論文閱讀翻譯CNNObject
- 《Stereo R-CNN based 3D Object Detection for Autonomous Driving》論文解讀CNN3DObject
- 深度學習論文翻譯解析(八):Rich feature hierarchies for accurate object detection and semantic segmentation深度學習ObjectSegmentation
- Rank & Sort Loss for Object Detection and Instance Segmentation 論文解讀(含核心原始碼詳解)ObjectSegmentation原始碼
- 《Object Detection Using ClusteringAlgorithm Adaptive Searching Regions in Aerial Images》論文10問ObjectGoAPT
- JavaScript中的Object相等(譯文)JavaScriptObject
- 深度學習論文翻譯解析(九):Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition深度學習
- 趕論文
- 物理層知識點提要
- Object Detection(目標檢測神文)Object
- 【小白寫論文】技術性論文結構剖析
- CALayer 緒論(iOS論文系列)iOS
- 論文第1章:緒論