《BING: Binarized Normed Gradients for Objectness Estimation at 300fps》读后感~

夜深人静了，就想写点什么，早在去年，BING刚一出现就对其进行了关注，CVPR2014的文章，作者提供了详细的源代码，得到了普遍的认可，本文谈谈对BING的一些个人理解，欢迎批评指正！

1. 算法思想

与之前介绍的edge boxes有异曲同工之妙，也是考虑了我们人类观察事物的习惯：先粗看，再细看。BING就是提供一种”粗略检测“的方法，先将目标大概的位置提取出来，主要目的是为了提速，与edge boxes不同，BING是基于学习的，换句话说，我们如果将检测人体，就可以用大量的人体样本训练BING，使得BING专注于人体的检测，这是BING的一大优势所在！下面我们的描述都是基于人体检测。

BING的算法共分为两个阶段，并且两个阶段都是基于SVM的，第一个阶段，用SVM进行二分类，一类是人体，一类是非人体。第二阶段，由于检测出来的BING框框的大小不一，有的大小，比如说高10个像素，宽200个像素，是人体的可能性明显较低，作者采用了对各个框框加权重的方式，对框框内包含人体的可能性进行了排序。两个阶段都基于SVM，干脆直接称呼为cascade SVM。

2. 算法流程

根据BING代码，给出训练阶段算法流程图，如下所示：

其中，SVM共分为两个阶段，这里说一说第二阶段的SVM，这个时候的训练样本其实就是proposal的得分，得分一定是标量，于是人体的proposal是正例，非人体的proposal就是负例，每个尺寸对应所有的训练样本得分，也就是说其实每个size都要进行一次SVM，公式如下所示：

我们要求的目标是<vi, ti>，只要做一个简单的变形<sl, 1>，我们就可以直接利用linear SVM求解了，作者提供了详细的源码， SVM用的是三方库liblinear中的函数。

在测试阶段，先用事先定好大小的各类扫描框扫描图像，得到各个尺度下的训练样本，这个时候再计算各自的得分s，然后利用非最大抑制（NMS）方法进行筛选，最后再利用上面的公式进行计算最终的得分。

重点说说作者在代码里面的一个大招，在第一阶段，正样本是proposal真值，负样本是随机提取的非目标proposal，根据这两类样本得到的滤波器w，在第二阶段，作者没有沿用第一阶段得到的正负样本，而是又重新基于w过滤了每一幅图像，得到了一堆proposal（经过NMS处理过的），注意这个时候的proposal完全不知道类标哈，那怎么确定类标呢？方法是拿这些新proposal和第一阶段的真值propoals比较（重叠面积），然后将这些新proposal进行分类，以及计算各自对应的尺度和得分s，进一步，每个尺度都计算<v, t>。

我的疑问是：第二阶段为什么要重新生成proposal，直接利用第一阶段弄好的proposal不行吗？不行吗？不行吗？重要的问题要问三遍。

作者是否有什么不可告人的秘密，不可告人的秘密，不可告人的秘密。。。。。

大家都长点心想想吧！！！

再者就是NMS方面的处理，一般我们在人脸检测中使用NMS，都是基于重叠面积选择最大的那个框作为检测框（可以将一个目标的所有检测框看成一个局部区域），但是在BING第二阶段训练中是对每一个像素都要计算滤波器的得分，此处作者在代码中采用的方式较为简单，其直接定义一个邻域（NSS宽度），现将所有像素的代价值从大到小排序，然后将每个邻域内最高得分值的像素保留，剩余的全部去除。按照正常的流程来说，应该在领域内计算1到次高得分所对应的窗口与最高得分窗口之间的重叠面积，满足阈值的窗口就要保留，否则抑制掉，这意味着可能在一个邻域内可能会存在多个窗口得以“幸存”。作者可能是考虑到这么做比较耗时，所以未采用传统方式。

3. 结论

BING提供了一种基于学习的目标检测方法，准确率算好的了，进一步可以基于BING框（proposal）进行细致的目标检测，相比较于滑窗方式而言，速度成倍的提高（我采用了评分最高的100个），正检率比滑窗方式低了一些，误检率没有明显提高，速度提高了3倍左右，这种算法思想果断是目标检测以后的一大趋势了！