本文大致脈絡：
對每張圖片，作者首先使用 P. Doll´ar and C. Zitnick. Structured forests for fast edge detection. ICCV , 2013. 4, 5 來產生邊緣圖（edge probability map)，請注意probability，因為下面connected regions 之間的 similarity 就是通過 這個probability 來體現的， 這里的probability 指的是該點的像素屬於邊緣的概率。對邊緣圖進行watershed得到輪廓圖，通過對輪廓圖進行一系列操作得到UCM圖，如下圖：
在UCM圖里，黑色區域部分可以認為是connected regions，該圖通過白色部分分離開來，白色部分的每個像素都是一個實值(0-1)，圖中每條邊的一小段的像素值都是相同的，該值表示該邊所連接區域的不相似度，值越小，這兩個區域越有可能合並稱為一個區域。利用UCM圖，獲取圖像的superpixels，也就是一個個connected regions ，任意兩個相鄰的 regions 之間都有一個不相似度值。
接下來就是要對這所有的N個regions hierarchically 合並了， 方法就是將N個葉子節點兩兩合並，最終得到 N-1個非葉子節點，這樣就構造了一顆完全二叉樹，二叉樹的根部是整個圖像區域，葉子節點就是一開始得到的 superpixels。這樣一張UCM圖可以得到一個 hierarchical segmentation。這里的初始的superpixels和組合后的非葉子節點都可以看做是一個proposals，這樣一共是2N-1個proposals。
得到該樹后，作者從二叉樹離獲取 4個list 的proposals。分別是 singleton, pairs, triplets ,fours。在獲取的時候使用了Pareto optimization，看着挺高深，其實就是 4個整數值，我們以這樣的一個組合為例(700,2000,3000,2000)。700對應於 singleton，表示從 二叉樹中從頂向下取前700個proposals。對於二叉樹的非根節點來說，每個節點都有父母，每個父母都有自己的兄弟，那么每個節點都有一個叔叔，pairs就表示叔叔與侄子的組合，比如說4個節點 1、2、3、4，1和2 組成了5,3和4組成了6，那么5就是1和2 的父節點，6是3和4的父節點，5是3和4的叔叔，那么在pairs里5、3可以是一種組合，一種新的proposals，2000表示從這所有的叔叔-侄子組合中，自頂向下去2000個這樣的組着，那么triplets中的3000就表示 侄子-叔叔-叔叔的叔叔的3000中組合，同理fours. 這樣對每張UCM圖，會到一個一個bottom-up組合，然后從該組合中可以得到4個list的proposals。
在作者的代碼中實際上是對原來的圖片進行scale （2,1,0.5）,這樣一共可以得到3張UCM圖，然后將三張UCM圖融合，這樣一共有 四種UCM圖，每種UCM都可以得到4個list的proposals，一共有16個lists的proposals，作者收集zhexieproposals，然后對他們進行 overlap>0.95的篩選。然后再進行hole-filling，因為在之前的組合中可能某種proposals會有明顯的hole inside。
最后，在得到一個完整的proposals set后，作者提取每個proposals 的 面積、周長、邊界強度等2D基本特征，用這些特征組成向量來表示該proposal，然后訓練隨機森林回歸器來對這些proposals排名。
作者提供了兩個版本的UCM，Fast UCM 和Accurate UCM正如圖所示， Fast UCM 最終會得到4個list的proposals， Accurate 會得到16個list的 proposals。
最后附上MCG簡易流程圖：
