這篇筆記，僅僅是對選擇性算法介紹一下原理性知識，不對公式進行推倒.
前言：
這篇論文介紹的是，如果快速的找到的可能是物體目標的區域，不像使用傳統的滑動窗口來暴力進行區域識別.這裏是使用算法從多個維度對找到圖片中，可能的區域目標，減少目標碎片，提升物體檢測效率. 下面是這篇文章的筆記：
介紹及引言：
圖片是分層次的，比如下圖中a：
沙拉和匙在沙拉碗裏，而碗又在桌子上，另外桌子和木頭有關或者說桌子和桌子上的所有東西有關.所以圖片中的目標是有層次的. 圖片分割應該按層次來，也不存在使用單個策略這樣通用的方法來進行圖片分割，所以對圖片分割都是基於多個策略，但是這樣又會在合並區域的時候產生沖突. 比如說上圖中的b圖，貓可以使用顏色進行分割，但是它們的紋理是一樣的. 相反的 ; 圖Ｃ中的變色龍和周圍的葉子在顏色上是相似的，但是在紋理上確實不同的.最後，圖d中，汽車輪子和汽車在顏色和紋理上都是不同的，但是和汽車的形狀吻合度很高. 對於這三個圖，采用他們其中的一種視覺特征是無法來對它們進行圖片分割的.
在這篇文章中，作者結合直覺分割算法和窮舉搜索算法來提出這個selective search(選擇性搜索)算法，使用直覺分割算法是希望達到結合圖片的結構層次從下至上來分割，來產生目標區域. 使用窮舉搜索算法的目的是得到所有可能是目標的區域. 選擇性搜索算法，使用的是多樣化在抽樣算法
在這篇文章中，作者主要從下面問題來介紹選擇性策略：
1. 選擇性策略采用的是什麽樣的多樣性策略來自適應分割圖片？.
2. 選擇性策略在圖片中生成高質量小目標的效率怎麽樣？
3. 能否使用選擇性策略來結合分類模型和外觀模型來進行目標識別？
選擇性算法介紹：
特點介紹：
1. 適用所有尺寸.
目標可以以任意尺寸出現在圖片中，甚至有些目標和其他目標的邊界並不明顯，面對這些問題，選擇性算法會對所有的目標尺寸進行記錄,就像下圖一樣，
可以很容易使用層次算法來實現.
2. 多樣化.
單個的策略無法去處理各種各樣差異化區域. 所以使用了多種策略比如顏色空間，紋理，吻合度等.
3. 快速的計算.
流程介紹：
選擇性算法使用的是按層次合並算法（Hierarchical Grouping），基本思路是這樣：
通過對一張圖片從低向上進行層次劃分，當我們劃出一個大區域時，繼續在這個大區域中叠代劃分，直到劃不出區域為止.並將這個過程中產生的所有的區域記錄下來，
在通過顏色，紋理，吻合度，大小來將這些細碎的區域進行合並.這種方式不需要設定滑動窗口，滑動格子，可以適應於任何目標的尺寸.
那麽這個算法的具體過程：
1. 首先使用Efficient Graph-Based Image Segmentation論文中的方法來按層次來快速得到分割區域Ｒ
2. 初始化相似度集合Ｓ
3. 從分割區域集合Ｒ中來兩兩計算相似度，放入到相似度Ｓ集合中.
4. 從相似度Ｓ集合中，取出相似度最高的兩個分割區域.然後將這兩個區域進行合並,並放入到Ｒ中，然後從相似度Ｓ集合中去除掉
這兩個分割區域相關聯的區域.然後計算合並的新區域 和它鄰近區域的相似性，放入到Ｓ中，這樣循環.直到Ｓ集合為空集
５．重復３直到這個區域變為一個.
然後輸出在這個過程中的所有的變化的區域.
關於多樣性策略：
分為兩個大部分： 顏色空間多樣性，區域相似度多樣性
1. 顏色空間多樣性包含八種: [1]. RGB，[2]. I灰度圖（grey), [3]. Lab,[4]. RGB圖像中歸一化的rg通道和圖像的灰度圖. [5]．HSV
[6].歸一化的rbg,[7].C,[8].H
2. 區域相似度多樣性： 對紋理，吻合度，大小這幾個特征進行計算
具體推倒過程，見論文.
那麽選擇性算法在物體識別中如何使用的呢？
我們使用選擇性算法獲取到一系列可能有目標的區域L，然後我們將我們事先打好標簽的目標區域（我們成為的ＧＴ）作為正樣本，在Ｌ集合中的區域中和ＧＴ的IOU在0.2~0.5之間的作為這個類的負樣本，對於重合度及ＩＯＵ超過0.7的負樣本，我將它丟掉,然後對這些區域的數據，進行特征提取，論文中使用的SIFT算法，然後將這些特征中一起放入到線性ＳＶＭ進行該類進行訓練.然後將得分很高的錯誤樣本，放入到負樣本中繼續訓練.依次往復.
Tags: 算法 分割 圖片 選擇性 目標 使用
文章來源：