这篇笔记，仅仅是对选择性算法介绍一下原理性知识，不对公式进行推倒.

前言：

这篇论文介绍的是，如果快速的找到的可能是物体目标的区域，不像使用传统的滑动窗口来暴力进行区域识别.这里是使用算法从多个维度对找到图片中，可能的区域目标，减少目标碎片，提升物体检测效率. 下面是这篇文章的笔记：

介绍及引言：

　　　图片是分层次的，比如下图中a：

　　　　　　

　　 沙拉和匙在沙拉碗里，而碗又在桌子上，另外桌子和木头有关或者说桌子和桌子上的所有东西有关.所以图片中的目标是有层次的. 图片分割应该按层次来，也不存在使用单个策略这样通用的方法来进行图片分割，所以对图片分割都是基于多个策略，但是这样又会在合并区域的时候产生冲突.　比如说上图中的b图，猫可以使用颜色进行分割，但是它们的纹理是一样的. 相反的 ; 图Ｃ中的变色龙和周围的叶子在颜色上是相似的，但是在纹理上确实不同的.最后，图d中，汽车*和汽车在颜色和纹理上都是不同的，但是和汽车的形状吻合度很高.　对于这三个图，采用他们其中的一种视觉特征是无法来对它们进行图片分割的.

　　在这篇文章中，作者结合直觉分割算法和穷举搜索算法来提出这个selective search(选择性搜索)算法，使用直觉分割算法是希望达到结合图片的结构层次从下至上来分割，来产生目标区域.　使用穷举搜索算法的目的是得到所有可能是目标的区域.　选择性搜索算法，使用的是多样化在抽样算法

　　在这篇文章中，作者主要从下面问题来介绍选择性策略：

　          1.  选择性策略采用的是什么样的多样性策略来自适应分割图片？.

　　　   2.  选择性策略在图片中生成高质量小目标的效率怎么样？

　　　   3.  能否使用选择性策略来结合分类模型和外观模型来进行目标识别？

选择性算法介绍：

　特点介绍：

　　　　1. 适用所有尺寸.

　　　　　目标可以以任意尺寸出现在图片中，甚至有些目标和其他目标的边界并不明显，面对这些问题，选择性算法会对所有的目标尺寸进行记录,就像下图一样，

可以很容易使用层次算法来实现.

　　　　　2. 多样化.

　　　　　　　单个的策略无法去处理各种各样差异化区域.　所以使用了多种策略比如颜色空间，纹理，吻合度等.

3. 快速的计算.

流程介绍：

选择性算法使用的是按层次合并算法（Hierarchical Grouping），基本思路是这样：

　　　　通过对一张图片从低向上进行层次划分，当我们划出一个大区域时，继续在这个大区域中迭代划分，直到划不出区域为止.并将这个过程中产生的所有的区域记录下来，

在通过颜色，纹理，吻合度，大小来将这些细碎的区域进行合并.这种方式不需要设定滑动窗口，滑动格子，可以适应于任何目标的尺寸.

那么这个算法的具体过程：

　　　

　　　1. 首先使用Efficient Graph-Based Image Segmentation论文中的方法来按层次来快速得到分割区域Ｒ

　　　2. 初始化相似度集合Ｓ

3. 从分割区域集合Ｒ中来两两计算相似度，放入到相似度Ｓ集合中.

4. 从相似度Ｓ集合中，取出相似度最高的两个分割区域.然后将这两个区域进行合并,并放入到Ｒ中，然后从相似度Ｓ集合中去除掉

　　　　这两个分割区域相关联的区域.然后计算合并的新区域 和它邻近区域的相似性，放入到Ｓ中，这样循环.直到Ｓ集合为空集　

　　　５．重复３直到这个区域变为一个.

　　　然后输出在这个过程中的所有的变化的区域.

关于多样性策略：

　　分为两个大部分：　颜色空间多样性，区域相似度多样性　

　　1.  颜色空间多样性包含八种: 　[1]. RGB，[2]. I灰度图（grey), [3]. Lab,[4]. RGB图像中归一化的rg通道和图像的灰度图.　[5]．HSV

　　　[6].归一化的rbg,[7].C,[8].H

2. 区域相似度多样性：　对纹理，吻合度，大小这几个特征进行计算

具体推倒过程，见论文.

那么选择性算法在物体识别中如何使用的呢？

　　　

我们使用选择性算法获取到一系列可能有目标的区域L，然后我们将我们事先打好标签的目标区域（我们成为的ＧＴ）作为正样本，在Ｌ集合中的区域中和ＧＴ的IOU在0.2~0.5之间的作为这个类的负样本，对于重合度及ＩＯＵ超过0.7的负样本，我将它丢掉,然后对这些区域的数据，进行特征提取，论文中使用的SIFT算法，然后将这些特征中一起放入到线性ＳＶＭ进行该类进行训练.然后将得分很高的错误样本，放入到负样本中继续训练.依次往复.