本文探讨Selective Search方法在物体检测中的作用，通过多尺度分割和层次分组找到图像中的物体。文章对比了Exhaustive Search、Segmentation等方法，并介绍了Selective Search的Diversification Strategies，包括不同颜色空间、相似性测量和初始区域选择。最后，文章提到了Spatial Pyramid Matching和迭代训练策略，以及算法的性能提升。
今天认真把Selective Search for Object Recognition这篇文章阅读完，想来写写自己的见解与想法。如果有错，希望得到大牛们的指点，谢谢！
文章一开始就提出问题：
如何判别哪些Region属于同一个物体？
对于图a，说明了物体之间可能具有的层级关系，比如碗里有个勺子；
对于图b，我们可以根据颜色来分开两只猫，但是不能根据纹理来分开；
对于图c，我们可以根据纹理来找到变色龙，但是不能根据颜色来找到；
对于图d，我们将车轮归类成车的一部分，既不是因为颜色相近，也不是因为纹理相近，因为车轮是车的一部分，且其实封闭的。
所以需要用多种策略结合，才有可能找到图片中的所有物体。
所以本文就开始提出使用Selective Search进行物体检测。并且物体之间存在层级关系，所以Selective Search用到了Multiscale的思想。
从上图中就能看出，Select Search在不同尺度下能够找到不同的物体。
读者注意了哦，这里说的多尺度是通过分割的方法将原始图片分成多个Region，然后用
订阅专栏 解锁全文
扫一扫
8487
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
