rcnn=region proposals（候选区域） + CNN
1、用Selective Search（选择性搜索）产生候选区域，是基于像素相似性进行的分割
1️⃣用论文《Efficient Graph-Based Image Segmentation》得到初始分割区域 R，每个元素是小子图
定义：边的权重是两个节点的像素差
定义：子图C的图内距离INC(C)为该图的最小生成树（=最小连通子图）中所有边的最大权值，如果只有1个节点，则图内距离=0
定义：两个图之间的距离DIF(Ci,Cj)是连接两个图的所有边中的最小权值，没有边连的话就是无穷大
定义：如果子图之间的距离大于图内的距离，则两个图有边界，D(Ci,Cj)=True
该图的每个像素作为1个子图，对于有边界的两个子图，如果他俩的距离小于一个参数，则把两个子图合并，不断迭代，最终图片被分割为几个大的子图
效果：其中同一个颜色是一个子图
2️⃣ 计算每个子图与子图之间的相似度，放到相似度集合里面：
相似度分为颜色相似度、纹理相似度、大小相似度、形状交叠相似度，最终的相似度是这四个值取不同的权重相加
颜色相似度：每个颜色通道分为25个bins（范围），总共有75个bins，一个图对应75维向量，每维度是该范围内（bin）的像素点个数，然后向量归一化
对于两个向量，遍历每一个维度，将所有较小的元素相加，例如（1，10）和（2，4）=>1+4=5
纹理相似度：每个颜色通道分为10个bins，图里共3*10=30个bins，每个bin有8个方向，计算该方向的偏导数，所以一个图对应240维度向量，每个维度是个导数，然后向量归一化
对于两个向量，（与上面一样）....
大小相似度：子图面积越小，相似度越大
形状交叠相似度
3️⃣将最大相似度的两个子图合并生成新子图放到 R 里面（原来的子图不丢弃），再计算两两相似度，再合并...，直到只剩1张子图。最终得到的 R 是原来的小子图+新的更大的子图
2、把步骤1产生的所有候选区域 R 缩放（或裁剪等等）为同一尺寸
标签：每个,子图,m12,向量,相似,维度,bins 来源： https://www.cnblogs.com/pjishu/p/16637746.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。