Selective Search_selective search包-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_27871973/article/details/81075998

SelectiveSearch是一种广泛应用于目标检测的区域提议算法。它通过层级分组算法和多样化策略来生成高质量的候选区域，具备快速计算、高召回率的特点。该文详细介绍了SelectiveSearch的工作原理及其在不同颜色空间下的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、前言

在目标检测学习系列的文章中，很多检测算法都会涉及到Selective Search的使用，比如R-CNN。这篇文章主要学习一下Selective Search的核心内容和简单使用。论文参考《Selective Search for Object Recognition》

二、背景介绍

目标检测比图像分类复杂的很重要的一个因素是：一张图像中可能存在多个物体需要分别定位和分类。显然，在训练分类器之前，需要使用一些方法将图像划分需要小的区域，划分方法统称为Region Proposal Algorithms。一张图像中包含的信息非常丰富，图像中的物体有不同的形状、尺寸、颜色、纹理，而且物体间还有层次（hierarchical）关系。下图给出了四个例子，来说明目标检测的难度。

（a）中的场景表明图像中不同物体之间是有一定的层次关系。（b）中给出了两只猫，通过纹理来可以找出这两只猫，但是需要通过颜色来区分它们。（c）中变色龙和周边颜色接近，通过纹理来区分。（d）中的车辆很容易把车身和车轮看做一个整体，但它们两者之间在纹理和颜色方面差别都非常地大。

上图说明了在做Region Proposal时，不能通过单一的策略来区分不同的物体，需要充分考虑图像物体的多样性（diversity），除此之外，在图像中物体间的布局还有一定的层次关系。这个时候，论文的作者就中肯的评价了几种区域提议方法。

Exhaustive Search

刚开始人们做目标检测是，想到的是穷举法，遍历图像的每一个像素，导致搜索的范围很大，需要的计算量也很大，最后产生的提议区域也很多，后面作者提到了，即是改进的穷举法任然产生100000多个提议区域，这对后面的区域特征提取和分类器训练带来不小的压力，所以不合适使用复杂的特征提取算法和分类器，一般使用HOG+SVM。

Segmentation

作者通过引用文献阐述了一些使用分割算法做Region Proposal的内容。比如：通过生成多个前景/背景，通过一定标准预测前景分割区域是一个完整对象区域的可能性大小（预测一个可能性大小），根据这个可能性大小对分割进行排序，可以精确地描绘出图像中的物体。然后作者又说了使用分割方法太单一，没有多样性。

Other Sampling Strategies

作者又给出了一些其他的区域提议方法，这里不一一说了。

三、Selective Search

在总结一些区域提议方法的基础上，作者给出了自己的方法——Selective Search，这个方法主要有三个优势：捕捉不同尺度（Capture All Scales）、多样化（Diversification）、快速计算（Fast to Compute）总结为：选择性搜索是用于目标检测的区域提议算法，它计算速度快，具有很高的召回率，基于颜色，纹理，大小和形状兼容计算相似区域的分层分组。Selective Search算法主要包含两个内容：Hierarchical Grouping Algorithm、Diversification Strategies。

Hierarchical Grouping Algorithm

图像中区域特征比像素更具代表性，作者使用Felzenszwalb and Huttenlocher[1]的方法产生图像初始区域，使用贪心算法对区域进行迭代分组:

计算所有邻近区域之间的相似性；
两个最相似的区域被组合在一起；
计算合并区域和相邻区域的相似度；
重复2、3过程，直到整个图像变为一个地区。

在每次迭代中，形成更大的区域并将其添加到区域提议列表中。以自下而上的方式创建从较小的细分segments到较大细分segments的区域提案，如下图。

Hierarchical Grouping Algorithm的具体操作如下图：

简单的对算法的过程叙述一下：

输入：彩色图片（三通道）

输出：物体位置的可能结果L

使用 Felzenszwalb and Huttenlocher提出的方法得到初始分割区域R={r1,r2,…,rn}；
初始化相似度集合S=∅；
计算两两相邻区域之间的相似度，将其添加到相似度集合S中；
从集合S中找出，相似度最大的两个区域 ri 和rj，将其合并成为一个区域 rt，从集合中删去原先与ri和rj相邻区域之间计算的相似度，计算rt与其相邻区域（与ri或rj相邻的区域）的相似度，将其结果加入到相似度集合S中。同时将新区域 rt 添加到区域集合R中；
获取每个区域的Bounding Boxes L，输出物体位置的可能结果L。

2.Diversification Strategies

这个部分讲述作者提到的多样性的一些策略，使得抽样多样化，主要有下面三个不同方面：

(1)利用各种不同不变性的色彩空间；

(2)采用不同的相似性度量；

(3)通过改变起始区域。此部分比较简单，不详细介绍，作者对比了一些初始化区域的方法，发现方法[1]效果最好。