「Computer Vision」Notes on Hypercolumns

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。

图 1：超列表征

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。

图 2

[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]