《Edge Boxes: Locating Object Proposals from Edges》读后感

《Edge Boxes: Locating Object Proposals from Edges》是ECCV2014的一篇关于目标检测的一篇文章，作者是来自于微软研究院的Piotr等人，属于大中牛范畴。本文并没有涉及到“机器学习”，其采用的是纯图像的方法，这点让我大感意外，因为很多提取proposals的文献，例如BING等，都是基于学习理论的方法。此外，本文的许多内容，甚至数学公式，都是基于作者的直觉直接建立，可以说，牛的一腿。。。。。

一篇学术paper，一般由研究目标，研究方法和实验结论组成，以下部分分别从这几方面进行介绍。

本文的研究目的：为了加速现有目标检测算法，提出了一种能够以较高精度确定proposal的新方法。其中，proposal还没有一个确定的中文翻译，一般被称作“目标大概可能的位置”。这个概念非常重要，我们大家想想，当我们看到一幅图像的时候，我们绝对不会像传统检测算法那样，从图像左上角开始扫描图像，而是一眼“纵观全局”，直接发现目标“大概的位置”，然后进一步细看，proposal正是由人类这一特质启发，而提出的。显而易见，这样的方式，速度会很快，但是，如果proposal提取的不准，那么就悲催了。

本文的研究方法：利用边缘信息（Edge），确定框框内的轮廓个数和与框框边缘重叠的轮廓个数（这点很重要，如果我能够清楚的知道一个框框内完全包含的轮廓个数，那么目标有很大可能性，就在这个框中。这也是作者的一大直觉，牛吧？），并基于此对框框进行评分，进一步根据得分的高低顺序确定proposal信息（由大小，长宽比，位置构成）。而后续工作就是在proposal内部运行相关检测算法。

下面试着详细介绍本文算法流程。

图 1. 算法思想图示

图1来自于文献，箭头是我自己加的，我觉得这幅图像，可以很好的说明该文的算法思想。

首先，第一行是原图，第二行是基于文献《Structured Forests for Fast Edge Detection》所提出的结构化边缘检测算法，得到的边缘图像，这时的边缘图像显得很紧密，需要用NMS进一步处理得到一个相对稀疏的边缘图像。

其次，第三行中，本来灰色的边缘变成了五颜六色的边缘，其实这些五颜六色的边缘是基于某种策略，将边缘点集合起来得到的N多个小段，论文中，叫做edge group。所采用的的策略是：将近乎在一条直线上的边缘点，集中起来形成一个edge group，具体的做法是，不停地寻找8连通的边缘点，直到两两边缘点之间的方向角度差值的和大于pi/2，这样便得到了N多个edge group。

再其次，得到N个edge group之后，还要进一步计算两两edge group之间的相似度，相似度的公式很简单，如下：

这样变使得，如果两个edge group越在一条直线上，上述公式计算得到的相似度就越高，反之亦然。作者之所以引入edge group概念，是为了确定轮廓个数做准备，因为一个轮廓中的所有edge group当然是最相似的，这点可以在纸上画画，十分明显。

最后，让我们看看作者是怎么根据edge group来确定轮廓的。作者的做法在我看起来很奇葩，他给每一个edge group一个权值，换句话说，打个分数，然后把权值均为1的edge group归为框框内轮廓上的一部分，把权值为0的edge group归为框框外或者与框框边界重叠的轮廓的一部分。采用了一个数学公式达到了上述目的，如下：

其中，T是指从框框的边缘开始到达si的edge group序列集合，当然，会有很多个T，看到没，它的目标就是从这么多的路径T中，寻找相似度最高的路径，这就是传说中的轮廓。值得注意的是，在某路径T上，一旦出现相似度为0（这很容易出现）的情况，这条路径T就废弃了，所以想找到那个合适的T，真的很快。。。。

最最后，作者给出了框框的评分（具体公式没什么好解释的，就不给出了）。然后就得到了倒数第二行的效果，效果还是很不错的。

综上，给出自己画的算法流程图，如下所示：

本文的实验效果：作者和几个当前流行的proposal提取算法进行了比较，得到了比较不错的效果，主要是基于经典的PASCAL VOC数据集，但是不得不说，他把BING弄得太差了。另外，这个算法存在一个较大的缺陷。

本文算法的不足：一句话，通过demo测试，发现，其评分较高的proposals均为近乎整幅图像，比如说，图像中有8个人，那么该算法评分最高的proposal肯定是同时包含了这8个人的，这一点不足，使得这个算法的含金量大大缩水，因为，在实际应用中，我想要的效果往往是，最高评分的几个proposal最好是单独的人，而不是8个人一起。

至于原因，不难理解，上面已经说过了，本文不是基于“学习”的算法，没有训练过程，不可能像BING那样，训练了单独人体，那么最高评分的proposal肯定就是单独的人体，训练了汽车，那么最高评分的proposal肯定就是单独的汽车等等。。。。

关于读后感：其实这篇文章，我有很多细节还没有说出来，一方面时间不够，另一方面，自己的文采不行，说多了就会显得啰嗦。所以，还请各位读者不吝批评赐教，大家一起学习，共同进步！！！！

（转载请注明：http://blog.csdn.net/wsj998689aa/article/details/39476551）

《Edge Boxes: Locating Object Proposals from Edges》读后感相关推荐

GC13：XO独占游戏《神鬼寓言传奇》公布
作者: 来源: www.bts668.com 微软日前公布了<神鬼寓言传奇>(Fable Legends),该游戏是此系列作品的新作,将作为Xbox One游戏出现. 这款由狮子头工作室开 ...
Facebook 重金挖不到，ASP.NET 之父，微软大神“红衣教主”传奇
作者 | 伍杏玲出品 | CSDN (ID:CSDNnews) 2018 年底,微软"王者归来",时隔 16 年市值重返全球第一.人们纷纷用"力挽狂澜"&qu ...
乔布斯去世衍生多种周边产品（支持乔布斯请顶）
各种乔布斯肖像乔布斯公仔乔布斯立体纸人不管你是不是狂热的苹果粉丝,是不是拥有n多的苹果产品,苹果帮主乔布斯都应该值得我们纪念. "为什么说乔布斯改变了世界?没有 iPhone,就不会有 ...
一战封神！“中国飞人”苏炳添跑出9秒83到底有多牛？
公众号后台回复"图书",了解更多号主新书内容作者:CDA数据分析师来源:CDA数据分析师 [导读] 在刚刚结束的东京奥运会百米飞人大战上,中国选手苏炳添在半决赛跑出9秒83,刷新了 ...
乔布斯导演的最后一幕
连作者也说,他仅仅是这本书的写作者,真正的作者是乔布斯."中信出版社总编辑潘岳近日分享了<史蒂夫·乔布斯传>幕后的故事.这本传记预定期已达100万册,预估最终销量将达到500万册 ...
30本pdf完整版的经典Linux学习和开发教程和资料下载 android arm java 资料大全
史上最牛的Linux内核学习方法论点击下载我的arm_linux移植笔记点击下载 S3C2440完全开发流程点击下载 Linux系统命令及其使用详解完整版点击下载 Linux ...
30本pdf完整版的经典Linux学习和开发教程和资料下载 android arm java 资料大全...
史上最牛的Linux内核学习方法论点击下载我的arm_linux移植笔记点击下载 S3C2440完全开发流程点击下载 Linux系统命令及其使用详解完整版点击下载 Linux主要shell命 ...
养成励志的习惯，一生励志——文指星终极励志
语言的突破全集卡耐基 --励志经典点击下载人性的优点--卡耐基名著--励志经典点击下载人生格言精华总集点击下载人生定律与原则--励志经典点击下载厚黑学 ...
养成励志的习惯，一生励志
语言的突破全集卡耐基 --励志经典点击下载人性的优点--卡耐基名著--励志经典点击下载人生格言精华总集点击下载人生定律与原则--励志经典点击下载厚黑学 ...
【转】乔布斯经典语录
2011年8月25日消息,乔布斯辞去了苹果公司CEO的职务.10月6日,传来了他去世的消息.在此缅怀乔帮主的同时,与大家分享乔布斯在世时的经典语录.(来自于<乔布斯传>--神一样的传奇的附 ...

《Edge Boxes: Locating Object Proposals from Edges》读后感

《Edge Boxes: Locating Object Proposals from Edges》读后感相关推荐

最新文章

热门文章