- image structure를 사용
- object의 모든 가능성 있는 위치를 찾는 것이 목표
- 가능성 있는 object locations를 생성시키는 single technique 대신 가능한 많은 이미지 컨디션을 다루기 위해 많은 전체 이미지 partitioning을 사용함
이 논문의 목적은 segmentation의 최고의 직관력(intuition)과 exhaustive search(완전 탐색)을 통합하여, data-driven selective search입니다. bottom-up segmentation에 영감을 받아서, object location을 생성시키는 이미지의 구조를 최대한 잘 활용하려고 합니다. 그래서, single smapling technique를 사용하는 대신, 가능하면 많은 이미지 조건에서 설명하고자, sampling techniques을 다양화하는 것이 목적입니다.
Selective Search는 object recognition을 목적으로 합니다. 이 논문의 주된 질문은 다음과 같습니다.
(1) selective search 전략으로서 segmentation을 조정하는 좋은 변형 전략이무엇인가?
(2) 어떻게 효과적으로 selective search가 이미지 사이에서 양질의 small set를 생성할 수 있는가?
(3) object recognition의 좋은 classifiers와 분명한 model로 이용하기 위해 selective search를 사용할 수 있는가?
object는 이미지 상에서 어느 위치든이 존재할 수 있습니다. 하지만 visual search space가 크면, exhausive search의 computational cost는 비싸질 것입니다. 이것은 고려해야 하는 cost per location and/or the number of locations 제약을 강요합니다. 게다가, 대부분의 sliding window technique은 HOG와 같은 classifier로 인해, coarse search grid와 고정된 aspect ratio를 사용합니다.
이 논문에서는 object location을 생성시키는 잠재적인 image structure을 사용합니다. 또한, 위치에 완전히 class-independent set을 산출합니다. 게다가 고정된 aspect ratio를 사용하는 게 아니라, object에 제한이 없습니다.
다양한 grouping 기준과 다른 representation을 사용함으로써 다양한 이미지의 condition을 다루는 것에 명확합니다. 또한, 일관된 quality를 가지고 location을 예측할 수 있습니다. 마지막으로 slective search의 패러다임은 상호보완적입니다.
