学习笔记：Salient Object Detection via Multiple Instance Learning（二）
文章用Simple Linear Iterative Clustering（SLIC)算法生成超像素作为示例，本文用区域属性、区域对比度和区域背景等三种特征来表示超像素。
SLIC算法：
算法大致思想是这样的，将图像从RGB颜色空间转换到CIE-Lab颜色空间，对应每个像素的（L，a，b）颜色值和（x，y）坐标组成一个5维向量V[l, a, b, x, y],两个像素的相似性即可由它们的向量距离来度量，距离越大，相似性越小。
算法首先生成K个种子点，然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素，将他们归为与该种子点一类，直到所有像素点都归类完毕。然后计算这K个超像素里所有像素点的平均向量值，重新得到K个聚类中心，然后再以这K个中心去搜索其周围与其最为相似的若干像素，所有像素都归类完后重新得到K个超像素，更新聚类中心，再次迭代，如此反复直到收敛。
本文用Edge Boxes算法来生成含有目标的对象推荐集，由于选出的对象太多，所以作者提出了两个原则来选取推荐集
Criterion 1: Remove the oversized and undersized boxes.
图像的目标一般分两种情况：1，目标很小，小边框很有可能是背景所以要去除。2,目标很大，由于目标可以由多个适种中的边框选中，所以删除大边框不会由有影响。
Criterion 2: Screen out the boxes without salient seeds.
图像I，其超像素为
因而计算边界连接线性通度得分BC如下
L是边界长度，A是边框面积，BC的值可以测量超级像素与图像边界的连接程度。
根据观察，显著性区域与图像边界的连接比背景区域少得多，我们将低分数的超像素定义为显著性点。如果含显著性点就选取。
推荐集选好后进行包的构建，文章提出了具有 top-scoring的推荐为正包，但是低分不一定为负包，因为不能保证它没有显著性对象，因而作者提出一个新的计算边框计算得分的方法：
然后利用包构建模型KI-SVM算法解决：
作者从三个尺度解决问题，上述有特征尺度（构建包），目标尺度（负示例的计算）
最后一个尺度便是结构，提出一些相似矩阵，去判断临近区域结构是否相似。最终的到一个优化方程：
化简为