Hypercolumns
这个也可以参考:超列
https://blog.csdn.net/longxinghaofeng/article/details/87969326
在卷积网络的各个层中,我们称接近输入层的卷积层为底层卷积层,接近输出层的卷积层为高层卷积层。那么底层卷积层得到的feature map中包含的低级信息,如姿势,照明,清晰度,空间位置等信息越多,高层卷积层得到的feature map得到的特征越抽象、语意信息越多。卷积网络(CNN)的识别算法通常使用最后一层的输出作为特征表示。然而,该层中的信息在空间上可能太粗糙导致不能精确定位。为了更好的利用这两种信息,对于原始图像 iii 位置的像素,我们同时利用部分或全部与 iii 位置对应的的feature map。那么对于 iii 位置的像素,我们就会得到一个特征向量,这个特征向量称为 iii 的超列。
对于分割任务,我们resize边界框至 50∗5050*5050∗50 ,并预测一个相应的heatmap,heatmap编码的是对应位置在物体内部的概率。那么问题转化为对 50∗5050*5050∗50 个位置进行分类,文章使用超列进行分类。
由于卷积、池化的存在,feature map大小与原始图像大小并不相同,将各层feature map中的像素与原始图像 iii 位置处的像素对应起来,就需要使用上采样(双线性插值),统一feature map大小至与原始图像大小相同。文章中对于检测分割任务,将边界框统一调整到 50×5050\times 5050×50