项目网址：http://koen.me/research/selectivesearch/
What is an object?
如何判别哪些region属于同一个物体？这个问题找不到一个统计的答案：
- 对于图b，我们可以根据颜色来分开两只猫，但是不能根据纹理来分开。
- 对于图c，我们可以根据纹理来找到变色龙，但是不能根据颜色来找到。
- 对于图d，我们将车轮归类成车的一部分，既不是因为颜色相近，也不是因为纹理相近，而是因为车轮附加在车的上面（个人理解是因为车“包裹”这车轮）
所以，我们需要用多种策略结合，才有可能找到图片中的所有物体。
另外，图a说明了物体之间可能具有的层级关系，或者说一种嵌套的关系——勺子在锅里面，锅在桌子上。
Multiscale
由于物体之间存在层级关系，所以Selective Search用到了Multiscale的思想。从上图看出，Select Search在不同尺度下能够找到不同的物体。
注意，这里说的不同尺度，不是指通过对原图片进行缩放，或者改变窗口大小的意思，而是，通过分割的方法将图片分成很多个region，并且用合并（grouping）的方法将region聚合成大的region，重复该过程直到整张图片变成一个最大的region。这个过程就能够生成multiscale的region了，而且，也符合了上面“物体之间可能具有层级关系”的假设。
Selective Search方法简介
- 使用Efficient GraphBased Image Segmentation中的方法来得到region
- 得到所有region之间两两的相似度
- 合并最像的两个region
- 重新计算新合并region与其他region的相似度
- 重复上述过程直到整张图片都聚合成一个大的region
- 使用一种随机的计分方式给每个region打分，按照分数进行ranking，取出top k的子集，就是selective search的结果
细节看下面两节。
策略多样化（Diversification Strategies）
有两种多样化方法，一个是针对样本的颜色空间，另一个针对合并时候计算相似性的策略。
采用了8种颜色空间，包括RGB，灰度图，Lab，等等
采用了4种相似性：颜色相似性（对应Figure1a的情况），纹理相似性（对应Figure1b的情况），小物体先合并原则，物体之间的相容性（对应Figure1d的情况）
如何对region打分？
这里我不是太确定，但是按照作者描述以及个人理解，觉得确实就是随机地打分。
对于某种合并策略$j$，定义$r^{j}_{i}$为位置在$i$的region，其中i代表它在合并时候的所位于的层数（i=1表示在整个图片为一个region的那一层，往下则递增），那么定义其分数为$v^{j}_{i}=RND \times i$，其中$RND$为[0, 1]之间的一个随机值。
使用Selective Search进行Object Recogntion
大致流程如上图。用的是传统的“特征+SVM”方法：
- 特征用了HoG和BoW
- SVM用的是SVM with a histogram intersection kernel
- 训练时候：正样本：groundtruth，负样本，seletive search出来的region中overlap在20%-50%的。
- 迭代训练：一次训练结束后，选择分类时的false positive放入了负样本中，再次训练
评估（evalutation）
用数据和表格说明了文中的方法有效。
这部分写了很长，具体不表。
