BING(Binarized Normed Gradients for Objectness )的一些分享

没有把程序跑通的可以参考http://www.cvchina.info/2014/02/25/14cvprbing/下面的评论，作者和很多热心的朋友都有解释。要再次说明的是bing跟其他proposal方法一样，只是detection proposal，不要指望它能像分类器那么准，不可能的，假如能那么准，那岂不是后面不需要分类器了？评价一个proposal方法要根据recall、MABO等，可以参考http://blog.csdn.net/zxdxyz/article/details/46119369。

BING的速度确实很快，算法的耗时非常少，产生的候选框大约1000多吧（根据实际情况可以做控制），比滑动窗口的几万甚至几十万，不知减少了多少了，有些人还希望BING能

非常准，太过分了哈！嘿嘿，当然都希望那样。根据实际需求可以对输出的候选框的ratoi做修改的，这间接性的提高了准确度，我们的目标一般不会像VOC那样有几十种。

训练需要用voc提供的，当然也可以自己提供图片、写yml文件，但是效率低，很慢，不太建议，但可以尝试，本人尝试过，没发现有太大改善。

测试可以自己提供图片，把你的图片放到JPEGImage下，名字换了，换成那一类 ，比如把000001.jpg替换为自己的，名字不变。

getObjBndBoxesForTestsFast是调用的主函数，训练生成的文件，在results目录下，训练完了，不用每次都再训练，注释掉trainObjectness

evaluatePerImgRecall 生成的文件直接可用MATLAB打开，可以看到随着候选框的增加，recall的上升趋势

这是我打出100个proposal的情况，