QQ Group: 428014259
Sina Weibo：小鋒子Shawn
Tencent E-mail：[email protected]
http://blog.csdn.net/dgyuanshaofeng/article/details/83904764

閱讀的是PAMI版本。

作者：Bharath Hariharan, Pablo Arbelaez, Ross Girshick, and Jitendra Malik
單位： University of California Berkeley, Microsoft Research

0 摘要

深層語義資訊在精確定位上是不夠的，而淺層統計資訊則提供了幫助。這也是U-Net、FCN所揭示的。提出超列（hypercolumn），指一個輸入畫素位置往後的所有對應位置的卷積網路單元啟用值，組成一列向量。

1 介紹

超列，借鑑於神經科學，其區別在於不僅僅指邊緣檢測器，還包含更多具有語義資訊的神經單元。超列的idea，如圖1所示。

2 背景

2.1 物體例項分割

2.2 用於物體檢測和分割的ConvNet

提及R-CNN

3 相關工作

4 利用超列進行畫素分類

超列的計算，十分簡單。取得一個檢測框（可能是正方形），resize到分類網路的固定輸入大小（分類網路使用了全連線層），resized影象分塊進入分類網路，把各個層的特徵圖進行bilinear插值，恢復到影象分塊大小，取得各個層的對應位置的超列（級聯多通道啟用值）。

神經網路表示超列分類器，如圖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]