本文主要是介绍Selective Search for Object Recognition----论文笔记，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、为什么提出selective search
1）exhaustive search缺点多，像搜索域大（计算量大）、搜索尺度固定。
2）传统的segmentation方法，依赖于单个强大的算法，计算开销大。selective search用多个融合准则（grouping criteria）和表达（representation）来处理各种图像内容（三个臭皮匠，赛过一个诸葛亮）。
二、selective search的框架
设计思想：
- 能捕捉到所有尺度，因为object有大有小。
- 多样化，因为图像受颜色、纹理、光照条件等多种因素影响，单一策略无法适应所有情况。
- 计算速度要快，因为谁不希望快嘛~
算法步骤：
1）初始化一些区域。
2）迭代融合区域：
2.1）计算相邻区域的相似性。2.2）融合最相似的两个区域，得到融合后的区域。2.3）计算相邻区域的相似性。
3）一直迭代，直至整张图片成为一个区域。
注：相似性度量的设计思想是：融合后相似度r_l可以由整合前的两个相似度r_i、r_j计算得到，而不用再从像素级重新计算。
这篇关于Selective Search for Object Recognition----论文笔记的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
