Hypercolumns笔记

 

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