用于目标分割与细粒度定位的超列
计算机视觉与模式识别
2015-04-28 v2
摘要
基于卷积网络(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，该层的信息可能过于粗糙，无法实现精确定位。相反，较早的层可能在定位上精确，但无法捕获语义。为了兼得两者之长，我们将像素处的超列定义为该像素上方所有CNN单元激活值的向量。使用超列作为像素描述符，我们在三个细粒度定位任务上展示了结果：同时检测与分割[22]，我们将最先进的平均AP^r从49.7[22]提高到60.0；关键点定位，我们比[20]提高了3.3个点；部件标注，我们比强基线提高了6.6个点。
引用
@article{arxiv.1411.5752,
title = {Hypercolumns for Object Segmentation and Fine-grained Localization},
author = {Bharath Hariharan and Pablo Arbeláez and Ross Girshick and Jitendra Malik},
journal= {arXiv preprint arXiv:1411.5752},
year = {2015}
}
备注
CVPR Camera ready