Selective Search学习笔记

Selective Search 方法主要有三个优势：

1. 捕捉不同尺度 capture all scales
2. 多样化 diversification
3. 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 和 diversification strategies

1. hierarchical grouping algorithm:
   图像中区域特征比像素更具代表性，作者先产生图像初始区域，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，直到整个图像变成一个地区

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。

2. diversification strategies
   这部分是多样化的一些策略，使得抽样多样化，主要有下面三个不同方面：

• 利用各种不同不变性的色彩空间
• 采用不同的相似性度量
• 通过改变起始区域

colour spaces：
考虑到场景、光照条件的不同，作者提出使用八种不变性属性的各种颜色空间应用在 hierarchical grouping algorithm。

similarity measures：

• 颜色相似度衡量
• 纹理相似度衡量（论文采用SIFT-Like特征）
• 尺度相似度衡量（为了保证区域合并操作的尺度较为均匀，目的是尽量让小的区域先合并）
• 形状重合度衡量（为了衡量两个区域是否更加重合，合并后区域的bounding box越小，其重合度越高。

最终的相似度衡量由这四项组合而成。

Reference：
https://zhuanlan.zhihu.com/p/39927488

---

$$Author:Chier$$