本研究提出了一种基于极坐标的无锚盒实例分割框架，将实例分割问题重构为在极坐标下预测物体轮廓，具有统一的实例分割和物体检测框架、计算复杂度低的优点，可以轻松嵌入已有的检测方法中。另外还使用了细化的特征金字塔模型对算法进行改进，实验表明这种方法在处理实例分割问题方面表现具有竞争力。

May, 2021

通过扩展多个极坐标系统，提出了 MP-PolarMask（多点极坐标掩膜）模型，用于表示更复杂的凸凹混合形状，在 COCO 数据集的通用对象和食物对象中验证了模型，在 AP_L 上的改进为 13.69%，AP 上的改进为 7.23%。

Jun, 2024

本文提出了一种快速准确的单阶段实例分割方法，通过将实例分割分解为局部形状预测和全局显著性生成两个并行子任务，并从物体中心点的表示中采用局部形状信息，成功地实现了基于 COCO 数据集的单模单尺度训练 / 测试的 CenterMask 方法，达到了 34.5 的掩模 AP 并以 12.3fps 的速度运行。除了效果较慢的 TensorMask 外，相较于所有其他单阶段实例分割方法，该方法精度更高，在其它单阶段物体检测器中也表现良好，显示了 CenterMask 的泛化能力。

Apr, 2020

本文提出了一种基于空间注意的中心掩码的实例分割方法，通过添加一个新的空间注意引导掩模模块在 FCOS 物体检测器中进行预测，并在改进的背骨网络 VoVNetV2 的支持下设计了针对大型和小型模型的 CenterMask 和 CenterMask-Lite，实现了在 ResNet-101-FPN 的相同骨干网络下的实时实例分割，性能优于所有之前的最先进方法，同时速度更快。

Nov, 2019

本论文提出一种简单的单级实例分割框架，即基于掩码编码的实例分割（MEInst），通过将二维掩码提炼成紧凑且固定维度的表征向量，使得实例分割任务能够被纳入单级边界框检测器中，从而实现了一种简单而高效的实例分割方法，取得了 36.4％的掩码 AP，在 MS-COCO 基准测试中取得了竞争性的性能。

Mar, 2020

提出了一种单阶段实例分割方法 SipMask，其通过将一个实例的掩模预测分离到一个检测到的边界框的不同子区域中来保留实例特定的空间信息。通过引入一种空间保留模块（SP），SipMask 生成每个边框子区域的独立空间系数，带来更好的掩模预测。在 COCO test-dev 上，SipMask 比现有的单阶段方法表现更好，并且相对于最先进的 TensorMask 提供了 1.0％（掩模 AP）的绝对增益，同时提供四倍的加速。SipMask 在类似设置下优于 YOLACT，其操作速度与 Titan Xp 上的相当，其绝对收益为 3.0％（掩模 AP）。

Jul, 2020

本文提出了一种基于网格框标注的高性能方法，实现了面部实例分割，通过重新设计学习实例分割中的掩码损失函数，优化了训练过程，并在 COCO 数据集上实现了优秀的实验结果。

Dec, 2020

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

介绍一种新的角度来处理实例分割任务：引入 “实例类别” 的概念，其根据实例的位置给每个像素分配类别，从而提出了 Segmenting Objects by Locations（SOLO）。我们的方法消除了后处理分组或边界框检测的需求，并以在速度和准确性方面都取得了最新成果，同时比现有方法相对简单。

Jun, 2021

本文提出了一种实时实例分割框架 OrienMask，采用一种名为欧几里得方向的方法，通过添加一个面膜头来预测一些判别性方向地图，这些地图用于构造实例掩码，该方法在保持竞争力的准确性的情况下，已在实时条件下的测试达到 42.7fps.

Jun, 2021