一.文献名字和作者
Selective Search for Object Recognition，IJCV2013
二.阅读时间
2014年12月9日
三.文献的贡献点
作者提出了一种可以减少候选窗口的算法--select search，该算法集合了分割方法和密集搜索，既有分割方法的从底至上的层级结构，也有密集搜索能够找到所有可能的位置。
该算法能够得到一个数据驱动的，类别无关和高质量的物体定位。
本文提出的算法有下面的优点：1.相比于密集搜索，该算法使用分割作为一个候选搜索，能够获得一个小的与类别无关的物体定位；2.相比追求准确度的分割算法，本文提出的算法使用大量的统计洗洗去处理尽可能多的图像环境，因此，可以明显减少计算量并增加物体检测的可能性；3.相比于从随机采样的物体检测的学习算法，本文提出的算法能够使用从底向上的分组处理，用于产生更好的物体定位。
3.1 层级分组的选择搜索
分组的过程如下：
1.产生一组初始区域；
2.使用贪心算法去迭代分组区域：首先，测量相邻区域的相似性；然后将最相似的两个区域合并为一个；然后在重新计算相邻区域的相似性。这个过程不断重复，知道合并以后的区域为整个图片为止。
3.2 多样性测量
多样化选择搜索主要是从下面三个方面进行的：1.使用多样化的色彩空间用于获得不变性；2.使用不同的相似性测量；3.不同的初始区域。
对于色彩空间，作者使用下面的几个色彩空间：
对于相似性测量，可以参阅论文、
对于初始位置的测量，主要是通过改变权值k进行的。
3.3 组合定位信息
通过组合单独的分组测量结果，来获得一个中心定位区域。
这篇文章我主要是关心它如何获得候选区域的问题，后面关于分类的部分，我就没有仔细查看了。
版权所有，欢迎转载，转载请注明出处，谢谢