《Edge Boxes: Locating Object Proposals from Edges》是ECCV2014的一篇關于目标檢測的一篇文章，作者是來自于微軟研究院的Piotr等人，屬于大中牛範疇。本文并沒有涉及到“機器學習”，其采用的是純圖像的方法，這點讓我大感意外，因為很多提取proposals的文獻，例如BING等，都是基于學習理論的方法。此外，本文的許多内容，甚至數學公式，都是基于作者的直覺直接建立，可以說，牛的一腿。。。。。
一篇學術paper，一般由研究目标，研究方法和實驗結論組成，以下部分分别從這幾方面進行介紹。
本文的研究目的：為了加速現有目标檢測算法，提出了一種能夠以較高精度确定proposal的新方法。其中，proposal還沒有一個确定的中文翻譯，一般被稱作“目标大概可能的位置”。這個概念非常重要，我們大家想想，當我們看到一幅圖像的時候，我們絕對不會像傳統檢測算法那樣，從圖像左上角開始掃描圖像，而是一眼“縱觀全局”，直接發現目标“大概的位置”，然後進一步細看，proposal正是由人類這一特質啟發，而提出的。顯而易見，這樣的方式，速度會很快，但是，如果proposal提取的不準，那麼就悲催了。
本文的研究方法：利用邊緣資訊（Edge），确定框框内的輪廓個數和與框框邊緣重疊的輪廓個數（這點很重要，如果我能夠清楚的知道一個框框内完全包含的輪廓個數，那麼目标有很大可能性，就在這個框中。這也是作者的一大直覺，牛吧？），并基于此對框框進行評分，進一步根據得分的高低順序确定proposal資訊（由大小，長寬比，位置構成）。而後續工作就是在proposal内部運作相關檢測算法。
下面試着詳細介紹本文算法流程。
圖 1. 算法思想圖示
圖1來自于文獻，箭頭是我自己加的，我覺得這幅圖像，可以很好的說明該文的算法思想。
首先，第一行是原圖，第二行是基于文獻《Structured Forests for Fast Edge Detection》所提出的結構化邊緣檢測算法，得到的邊緣圖像，這時的邊緣圖像顯得很緊密，需要用NMS進一步處理得到一個相對稀疏的邊緣圖像。
其次，第三行中，本來灰色的邊緣變成了五顔六色的邊緣，其實這些五顔六色的邊緣是基于某種政策，将邊緣點集合起來得到的N多個小段，論文中，叫做edge group。所采用的的政策是：将近乎在一條直線上的邊緣點，集中起來形成一個edge group，具體的做法是，不停地尋找8連通的邊緣點，直到兩兩邊緣點之間的方向角度內插補點的和大于pi/2，這樣便得到了N多個edge group。
再其次，得到N個edge group之後，還要進一步計算兩兩edge group之間的相似度，相似度的公式很簡單，如下：
這樣變使得，如果兩個edge group越在一條直線上，上述公式計算得到的相似度就越高，反之亦然。作者之是以引入edge group概念，是為了确定輪廓個數做準備，因為一個輪廓中的所有edge group當然是最相似的，這點可以在紙上畫畫，十分明顯。
最後，讓我們看看作者是怎麼根據edge group來确定輪廓的。作者的做法在我看起來很奇葩，他給每一個edge group一個權值，換句話說，打個分數，然後把權值均為1的edge group歸為框框内輪廓上的一部分，把權值為0的edge group歸為框框外或者與框框邊界重疊的輪廓的一部分。采用了一個數學公式達到了上述目的，如下：
其中，T是指從框框的邊緣開始到達si的edge group序列集合，當然，會有很多個T，看到沒，它的目标就是從這麼多的路徑T中，尋找相似度最高的路徑，這就是傳說中的輪廓。值得注意的是，在某路徑T上，一旦出現相似度為0（這很容易出現）的情況，這條路徑T就廢棄了，是以想找到那個合适的T，真的很快。。。。
最最後，作者給出了框框的評分（具體公式沒什麼好解釋的，就不給出了）。然後就得到了倒數第二行的效果，效果還是很不錯的。
綜上，給出自己畫的算法流程圖，如下所示：
本文的實驗效果：作者和幾個目前流行的proposal提取算法進行了比較，得到了比較不錯的效果，主要是基于經典的PASCAL VOC資料集，但是不得不說，他把BING弄得太差了。另外，這個算法存在一個較大的缺陷。
本文算法的不足：一句話，通過demo測試，發現，其評分較高的proposals均為近乎整幅圖像，比如說，圖像中有8個人，那麼該算法評分最高的proposal肯定是同時包含了這8個人的，這一點不足，使得這個算法的含金量大大縮水，因為，在實際應用中，我想要的效果往往是，最高評分的幾個proposal最好是單獨的人，而不是8個人一起。
至于原因，不難了解，上面已經說過了，本文不是基于“學習”的算法，沒有訓練過程，不可能像BING那樣，訓練了單獨人體，那麼最高評分的proposal肯定就是單獨的人體，訓練了汽車，那麼最高評分的proposal肯定就是單獨的汽車等等。。。。
關于讀後感：其實這篇文章，我有很多細節還沒有說出來，一方面時間不夠，另一方面，自己的文采不行，說多了就會顯得啰嗦。是以，還請各位讀者不吝批評賜教，大家一起學習，共同進步！！！！
（轉載請注明：http://blog.csdn.net/wsj998689aa/article/details/39476551）