学习笔记3分支--学习笔记2-候选区域算法

候选区域算法

object recognition=目标识别=物体识别目标识别是要分辨出图片中有什么物体，输入是图片，输出是类别标签和概率。

object dection=目标检测=物体检测：目标检测输入是图片，不仅要检测图片中有什么物体，还要输出物体的外框（x, y, width, height）来定位物体的位置。

生成候选子区域的方法总共分为两类：滑动窗口算法（sliding window algorithm）和 候选区域算法（region proposal algorithm）

滑动窗口算法：计算量比较大，基本上等于遍历图片的像素点，更何况不同的图，物体的远近不同，长宽比大小都可能不同，所以这种方法还是别用的好。

候选区域（RP）算法：用分割不同区域的办法来识别潜在的物体。在分割的时候，我们要合并那些在某些方面（如颜色、纹理）类似的小区域。相比滑窗法在不同位置和大小的穷举，候选区域算法将像素分配到少数的分割区域中。所以最终候选区域算法产生的数量比滑窗法少的多，从而大大减少运行物体识别算法的次数。同时候选区域算法所选定的范围天然兼顾了不同的大小和长宽比。

候选区域算法比较重要的特征就是要有较高的召回率。我们要通过这种方法保证拥有物体的区域都在候选区域列表里。所以不介意有很多区域什么都有，这都没关系，物体检测算法会过滤掉他们，虽然会浪费一点时间。

选择性（selective search）搜索算法：而在候选区域算法中，最常用的算法就是选择性搜索（selective search）算法，因为这个算法速度相对较快，并且召回率高。

选择性搜索算法需要先使用《Efficient Graph-Based Image Segmentation》论文里的方法产生初始的分割区域，然后使用相似度计算方法合并一些小的区域。

图1. 原图

图2. 原始分割图

但是我们不能使用原始分割图的区域作为候选区域，原因如下：

1. 大部分物体在原始分割图里都被分为多个区域

2. 原始分割图无法体现物体之间的遮挡和包含。

如果我们试图通过进一步合并相邻的区域来解决第一个问题，我们最终会得到一个包含两个对象的分段区域。

我们不要需要完美的的分割区域，我们只想要和实际物体高度重合的区域就行了。

选择性搜索算法使用《Efficient Graph-Based Image Segmentation》论文里的方法产生初始的分割区域作为输入，通过下面的步骤进行合并：

1. 首先将所有分割区域的外框加到候选区域列表中
2. 基于相似度合并一些区域
3. 将合并后的分割区域作为一个整体，跳到步骤1

通过不停的迭代，候选区域列表中的区域越来越大。可以说，我们通过自底向上的方法创建了越来越大的候选区域。表示效果如下：

图3. 候选区的建立

相似度
选择性搜索算法如何计算两个区域的相似度的呢？
主要是通过以下四个方面：颜色、纹理、大小和形状交叠
最终的相似度是这四个值取不同的权重相加

效果
opencv实现了选择性搜索算法，可以给出上千个根据有物体的可能性降序排列的候选区域。
下图是画出了前面200250个候选区域的效果。一般来说。10001200个候选区域基本能胜任物体检测的任务了。

图4. 选择性搜索算法效果图1

图5. 选择性搜索算法效果图2

----------------------------------------------------------------------------------------

第二部分来源：csdn回帖-https://bbs.csdn.net/topics/395282785

参考资料:

国内博客1：https://www.cnblogs.com/zhao441354231/p/5941190.html

—— 较清楚的描述了《Selective Search for Object Recognition》算法过程

国内博客2：https://blog.csdn.net/surgewong/article/details/39316931/

—— 介绍了算法过程中，各部分的具体计算公式，解决了博客1中的部分问题，包含github开源代码

国内博客3：https://blog.csdn.net/guoyunfei20/article/details/78723646

—— 有部分C++代码

#selective search作者网站：https://www.koen.me/research/selectivesearch/

国外博客：https://www.learnopencv.com/selective-search-for-object-detection-cpp-python/

—— 原文原英文博客

学习笔记3分支--学习笔记2-候选区域算法相关推荐

R-CNN算法学习（步骤一：候选区域生成）
R-CNN算法学习(步骤一:候选区域生成) 论文链接:https://arxiv.org/abs/1311.2524 源码链接:https://github.com/rbgirshick/rcnn 算 ...
Git学习笔记：分支管理3
前言在补习python的时候主要参考的是廖雪峰的教程Python教程,在学习完后准备完成期末作业时,遇到了一个技术难题,需要初步掌握git,因此开始了git的学习. 本教程参考廖雪峰的Git教程 G ...
Git学习笔记：分支管理(2)
前言在补习python的时候主要参考的是廖雪峰的教程Python教程,在学习完后准备完成期末作业时,遇到了一个技术难题,需要初步掌握git,因此开始了git的学习. 本教程参考廖雪峰的Git教程 G ...
Git学习笔记：分支管理(1)
前言在补习python的时候主要参考的是廖雪峰的教程Python教程,在学习完后准备完成期末作业时,遇到了一个技术难题,需要初步掌握git,因此开始了git的学习. 本教程参考廖雪峰的Git教程 G ...
深度学习笔记（41）候选区域
深度学习笔记(41) 候选区域 1. 无对象区域 2. 候选区域 3. Faster R-CNN 1. 无对象区域记得滑动窗法吧,使用训练过的分类器在这些窗口中全部运行一遍,然后运行一个检测器,看 ...
机器学习笔记-多分类学习，类别不平衡，决策树
读书笔记多分类学习基本思想:拆解法:将多分类任务拆解为若干个二分类任务求解,先对这些问题经拆分,为拆分出的每个二分类任务训练一个分类器,测试时,对这些分类器的预测结果进行集成以获得最终的多分类结果 ...
深度学习入门之PyTorch学习笔记：多层全连接网络
深度学习入门之PyTorch学习笔记绪论 1 深度学习介绍 2 深度学习框架 3 多层全连接网络 3.1 PyTorch基础 3.2 线性模型 3.2.1 问题介绍 3.2.2 一维线性回归 3.2 ...
深度学习入门之PyTorch学习笔记：深度学习介绍
深度学习入门之PyTorch学习笔记:深度学习介绍绪论 1 深度学习介绍 1.1 人工智能 1.2 数据挖掘.机器学习.深度学习 1.2.1 数据挖掘 1.2.2 机器学习 1.2.3 深度学习第 ...
学习笔记：CentOS7学习之二十二：结构化命令case和for、while循环
目录学习笔记:CentOS7学习之二十二: 结构化命令case和for.while循环 22.1 流程控制语句:case 22.2 循环语句 22.1.2 for-do-done 22.3 whil ...

学习笔记3分支--学习笔记2-候选区域算法

候选区域算法

学习笔记3分支--学习笔记2-候选区域算法相关推荐

最新文章

热门文章