Edge Boxes: Locating Object Proposals from Edges
Edges Boxes：Locating Object Proposals from Edges
Proposal：
(1), 對於一張image，計算每一個pixel的edge response，在paper中使用Structured Edge Detector來判斷物體的邊界。然后使用NMS去整理edge，得到最后較為穩定的object edges
(2)， 計算edge groups 和 affinity
直觀的來說，筆直的邊界具有較高的affinity，而曲率較高的邊界的affinity較低。
給定一個bbox，根據bbox內部含有的edge的affinity的最大值來判斷bbox的boundary。
給定一個edges group的幾個，計算兩兩相鄰groups之間的affinity
如果兩個groups之間均值夾角接近於groups的方向，則說明這兩個edge groups有着較高的affinity。
(3)，計算bounding box的score
從上面得到了edges groups集合S和他們的affinity，可以計算每一個candidate bounding box的object proposal score。
首先計算在group Si 中的所有edges p的mp值的和，為mi，
在group Si中計算si是否完全包含在b中的連續值wb(xi) ，介於[0,1]。
使用一種高效的算法，去計算每一個Sb。上面的公式可以求出edges group Si 與bounding box中含有最高的affinity的一些path。
在上面的公式計算下，很多的pairwise都是0。下面可以計算score：
其中bw 和 bh代表是box的width 和height，k值為1.5，作用是對大windows會有更多的edges進行偏置調節。
同時，發現：box中央的edges會比靠近box邊界的edges的作用更小。所以在這里對位於box中央的bin, 做一個調整處理。
定義center的指標是：bin的width和height是整個box的一般，即bw/2, bh/2;
(4),查找策略
使用sliding window search 在一個image上進行 position，scale和aspect ratio上的查找bbox，
在可能含有一個object的區域，會產生更多的bounding boxes和更密集地聚集。利用IoU去篩選，refinement，去合並bounding box。
最后是對得到的bounding boxes進行NMS，得到最終的sorted boxes。
總結：
Object detection領域的unsupervised learning method中最經典的兩個之一，另一個是 selective search。