QQ Group: 428014259
Sina Weibo:小锋子Shawn
Tencent E-mail:403568338@qq.com
http://blog.csdn.net/dgyuanshaofeng/article/details/83904764
阅读的是PAMI版本。
作者:Bharath Hariharan, Pablo Arbelaez, Ross Girshick, and Jitendra Malik
单位: University of California Berkeley, Microsoft Research
0 摘要
深层语义信息在精确定位上是不够的,而浅层统计信息则提供了帮助。这也是U-Net、FCN所揭示的。提出超列(hypercolumn),指一个输入像素位置往后的所有对应位置的卷积网络单元激活值,组成一列向量。
1 介绍
超列,借鉴于神经科学,其区别在于不仅仅指边缘检测器,还包含更多具有语义信息的神经单元。超列的idea,如图1所示。
2 背景
2.1 物体实例分割
2.2 用于物体检测和分割的ConvNet
提及R-CNN
3 相关工作
4 利用超列进行像素分类
超列的计算,十分简单。取得一个检测框(可能是正方形),resize到分类网络的固定输入大小(分类网络使用了全连接层),resized图像分块进入分类网络,把各个层的特征图进行bilinear插值,恢复到图像分块大小,取得各个层的对应位置的超列(级联多通道激活值)。
神经网络表示超列分类器,如图2所示。
[1] Hypercolumns for Object Segmentation and Fine-grained Localization CVPR 2015 [paper] [code]
[2] Object Instance Segmentation and Fine-Grained Localization Using Hypercolumns IEEE TPAMI 2017 [paper]