本文提出了一种深度形状引导级联算法 (DSC)，通过引入三种关键组件，即初始形状指导、显式形状指导和隐式形状指导，使掩模分割和边界框检测形成双向关系，进而提高了实例分割的性能。实验结果表明，DSC 较当前最先进的实例分割算法 Hybrid Task Cascade (HTC) 提升明显，在 COCO 测试中获得了 51.8 的 box AP 和 45.5 的 mask AP。

Nov, 2019

本文介绍了一种基于 Multi-task Network Cascades 的实例感知语义分割模型，该模型包含三个网络，分别用于区分实例、估算掩模和分类物体。该方法在 PASCAL VOC 数据集上达到了最先进的实例感知语义分割准确度，并且速度比之前的系统快两个数量级。

Dec, 2015

本文提出了一种新的旨在优化实例分割方法的卷积神经网络，该网络称为 BlendMask。BlendMask 可以有效地将实例级信息与语义信息相结合，并能够学习每个实例的注意力图，并且具有较快的推理速度，其可以与最先进的一阶段检测框架轻松集成，同时在相同训练计划下优于 Mask R-CNN，并可以在单个 1080Ti GPU 卡上以 25 FPS 评估时实现 34.2％ mAP，其简单易用而且强大，可用于一系列实例化任务。

Jan, 2020

提出了一种多阶段目标检测架构 Cascade R-CNN，采用一系列具有递增 IoU 阈值的检测器进行训练，以解决因过度拟合和推理时间质量不匹配而导致的高质量检测难题，在 COCO 数据集中取得了最先进的性能，并显著提高了通用和特定对象检测数据集上的高质量检测。

Jun, 2019

我们提出了一种名为自平衡 R-CNN (SBR-CNN) 的模型，通过解决实例分割任务中的不均衡问题，改进了目标检测和实例分割的性能，在 COCO minival 2017 数据集上达到了 45.3% 和 41.5% 的 AP。

Apr, 2024

本文提出一种多阶段目标检测架构，Cascade R-CNN，通过一系列的检测器训练，逐步提高在增加交并比（IoU）阈值下对近似假阳性的选择性，从而减少过拟合问题，并在推理时提供更接近每个阶段检测器质量的假设匹配，实现在 COCO 数据集上比所有单模型目标检测器表现更好。

Dec, 2017

本研究介绍了 Aoi-overfifitting-Team 团队解决 Data-Efficient Defect Detection 的技术细节，基于 Hybrid Task Cascade 实例分割算法，借助 CBNetv2 强化基线结果，并提出了两种模型集成方法和多尺度训练及测试时间扩充技术，最终在测试集上实现超过 48.49% 的平均 [email protected]:0.95 和 66.71% 的平均 [email protected]:0.95。

Jun, 2023

该研究提出一种名为 Siamese Mask R-CNN 的方法来解决一个新挑战性的问题 —— 一次性实例分割，通过对参考图像和场景进行编码来将检测和分割目标定向于参考类别，虽然将分割实例的知识转移到新对象类别的表现很好，但是针对参考类别进行检测的困难度更大，该研究为一次性实例分割提供了一个有力的准确率基准，并将启发更多有关更强大和灵活的场景分析算法的研究。

Nov, 2018

本篇论文提出使用单个深度卷积神经网络（CNN）模型的改进型深度学习端到端方法：CascadeTabNet，用于解决表格检测和结构识别的两个问题，并通过有效的迁移学习和图像增强技术在 ICDAR 2013、ICDAR 2019 和 TableBank 数据集上达到了最佳结果。

Apr, 2020

我们提出了一个简单、灵活、通用的物体实例分割框架。此方法名为 Mask R-CNN，通过在现有的边界框识别分支上添加一个预测对象掩模的分支，同时高效地检测图像中的物体并生成每个实例的高质量分割掩模。该方法简单易用，可快速训练，并且在 COCO 挑战赛的三个跟踪任务中均取得最佳结果，在实例分割、边界框目标检测和人体关键点检测方面均表现优异，是一个强大的基线模型。

Mar, 2017