weixin_44607838的博客

引言 在之前的一篇文章中，我介绍了基于聚类的图像分割，在这一篇文章中，我会介绍另一种图像分割的方法–基于图的图像分割。具体用到的方法是谱聚类。OK, 我们先来简单了解一下谱聚类。 谱聚类（spectral clustering) 首先我们需要明确一点，谱聚类虽然是一种聚类的模型，但是事实上，它的设计初衷确是解决一个关于切割图的问题，因此它的算法也是从图论中演化而来的。具体来说，它的主要思想就是将所有的数据点看成空间中的一个个点（node), 这些点之间可以有边（edge）来进行连接。然后对于两个距离较远的点

引言 图像分割是计算机视觉领域一个非常重要的问题，在这篇文章中，我会介绍一种非常经典的图像分割算法—基于聚类的图像分割，尽管现在已经很少会有人在实践中使用它，但是我认为它背后所蕴含的思想还是非常值得学习的。 首先，我们先来大致思考一下，为什么聚类思想可以应用于图像分割？其中，这是非常符合直觉的。对于一张图片，不同的部分的灰度，颜色，纹理是不同，因此我们可以将这些性质量化成不同的特征。对于图片中的每一个像素，我们可以把它看作是一个高维空间（前面列举的灰度，颜色，纹理等等特征）的向量（数据点），然后对它们进行聚

Fast R-CNN的问题 相较于R-CNN, Fast R-CNN已经在性能上有了大幅的提高，但是依然没有解决Selective Search的计算过于费时这个问题，那么在这篇文章中，我会来说明Faster R-CNN的结构以及它是如何解决Fast R-CNN这个遗留的问题的。 Faster R-CNN 还是一样，先上一张图让大家对Faster R-CNN有一个直观印象 那么总的来说，Faster R-CNN主要的流程分为3部。 1.将原始图像经过一个CNN骨干网络（backbone）得到对应的特征图。

RCNN的问题 在上一篇文章中，我介绍了经典的RCNN算法，虽然经典，但是不可避免的存在一些问题，主要有3点： 1.使用Selective Search提取候选区域的质量有所欠缺，同时计算量大 2.一张图片形成的多个候选区域，每一个都要单独过一次CNN去获得特征向量，但是实际上很多候选区域存在overlap，因此很多计算是重复的。 3.整个过程包括regional proposal，CNN特征提取，SVM分类多个模块，每个模块都是单独训练，很难进行系统性的优化，无法实现端到端的训练。 Fast R-CNN

RCNN概述 RCNN是在目标检测领域中具有里程碑意义的一个重要算法，在2014年由Ross Girshick等人提出，paper的题目是“Rich feature hierarchies for accurate object detection and semantic segmentation.” RCNN的总体流程大致可以用下图来表示。 或者下面这张被用烂的图哈哈 OK,话不多说，我们开始每一部分的详细讨论。 1.候选区域生成 使用的算法是selective search，是一种十分经典的 re