本文介绍了一种基于 PolarMask 的实例分割方法，它将实例分割问题作为极坐标系下的实例中心分类和密集距离回归，使用了两个有效的方法分别处理高质量实例中心的采样和密集距离回归的优化问题，可以在 COCO 数据集的单模型和单尺度训练 / 测试中取得 32.9% 的掩膜平均精度 (mAP)，是一种更简单、更灵活且表现优异的单次实例分割框架，为单次实例分割任务提供了一个强有力的基础。

Sep, 2019

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

本文提出了一种新的分段建议框架 FastMask，该方法利用深度卷积神经网络中的分层特征一次性分割多尺度对象，并在 MS COCO 基准测试中取得了优于现有方法 2-5 倍的平均检出率，同时可以在接近实时的速度下对 800 * 600 分辨率图像中的物体进行分割，该方法具有实际应用的潜力。

Dec, 2016

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

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

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

本文提出一种改进的单发检测器 RetinaMask，通过集成实例掩码预测、改进稳定的损失函数和增加训练时的困难样本等方式，将单发检测器的检测精度提高到和两阶段检测器相同的水平，COCO 测试结果显示，在保持相同运行时间的情况下，RetinaMask-101 模型的平均精度值 mAP 达到了 41.4，高于 RetinaNet-101 模型的 39.1。

Jan, 2019

介绍了一种名为 ShapeMask 的解决利用对象的形状中间概念来解决在实例分割中应用于新类别的问题的方法。与现有方法相比，该模型通过学习形状先验和实例嵌入来捕获对象形状和外观信息，并取得了 6.4 到 9.4 的 AP 值提高。

Apr, 2019

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