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!