R-CNN目标检测的selective search（SS算法）

候选框确定算法

对于候选框的位置确定问题，简单粗暴的方法就是穷举或者说滑动窗口法，但是这必然是不科学的，因为时间和计算成本太高，直观的优化就是假设同一种物体其在图像邻域内有比较近似的特征（例如颜色、纹理等等）。

由此提出使用比较广泛的Selective search算法

Selective search算法（以下简称ss算法）：首先通过以及简单的聚类生成区域集合；然后根据定义的相似度不断合并相邻区域构成新的候选框。本质上是一种基于在原始聚类后的区域集合上，依照邻域的相似度，从小到大的进行滑动窗口。

具体算法实现步骤如下：
step1：计算区域集R里每个相邻区域的相似度S={s1,s2,…}
step2：找出相似度最高的两个区域，将其合并为新集，添加进R
step3：从S中移除所有与step2中有关的子集
step4：计算新集与所有子集的相似度
step5：跳至step2，直至S为空
---------------------

区域相似度，颜色、纹理、尺寸、交叠。四个方面。

SS算法：选择性搜索

生成2000个候选区域

分类模型

SS算法，框的位置有偏移需要调整，训练回归器。

【转载自】

R-CNN、fast-RCNN、faster-RCNN到yolo、SSD简要 - sum_nap的博客 - CSDN博客 https://blog.csdn.net/sum_nap/article/details/80388110

【其他】

选择性搜索（selective search） - 郭云飞的专栏 - CSDN博客 https://blog.csdn.net/guoyunfei20/article/details/78723646

Selective Search for Object Detection (C++ / Python) | Learn OpenCV https://www.learnopencv.com/selective-search-for-object-detection-cpp-python/

RCNN算法详解 - jieshaoxiansen的博客 - CSDN博客 https://blog.csdn.net/jieshaoxiansen/article/details/82784188