本研究介绍了一种新的学习目标，用于训练深度神经网络执行端对端的图像像素聚类，该方法已应用于实例分割，其结果是出色的，并且在 2017 CVPR 自动驾驶挑战的车道检测竞赛中获得第二名，而在不使用外部数据的情况下是最优表现者。

Mar, 2018

该论文提出了一种基于语义分割的实例分割系统，利用 CRF 预测具有对象类和实例标签的分割地图，从而提高难度较大的像素级别分割精度，使像素不能属于多个实例，并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。

Apr, 2017

本文介绍了一种基于全卷积神经网络 (FCNs) 的实例级分割算法，通过像素级分类器计算相对位置和一些敏感的分数映射，然后通过一个简单的组装模块能够输出每个位置的实例候选。该方法在 PASCAL VOC 和 MS COCO 上具有较好的实例分割性能表现。

Mar, 2016

本文探讨了实例分割中的特殊问题 —— 商空间，提出了三种新方法来解决此问题，包括像素亲和映射、超像素亲和学习和基于边界的分量分割，使用完全卷积神经网络模型，达到了竞争性的结果，并且具有透明度和简单性的优点。

Nov, 2016

本文进行了实例感知语义分割的研究，提出了一种利用全卷积网络的方法预测语义标签、深度和基于实例的编码，并通过低层次计算机视觉技术在 KITTI 和 Cityscapes 街景数据集上生成最先进的实例分割，该方法在性能上超过了现有的工作，并可以额外预测单个实例与单眼图像的绝对距离以及像素级语义标签。

Apr, 2016

本文提出了第一个完全基于卷积的端到端解决方案，用于实例感知的语义分割任务，它继承了 FCNs 的所有优点，包括用于语义分割和实例掩码提议的实例掩码预测和分类，并且在这两个子任务以及 ROI 的所有区域之间完全共享其底层卷积表示，所建议的网络高度集成，并在准确性和效率方面均实现了最先进的性能。它以很大的优势赢得了 COCO 2016 分割竞赛。

Nov, 2016

通过语义类别分割为基础，使用一种深度卷积回归网络来预测像素级的实例边界框，以实现语义实例分割，同时在训练过程中采用在线引导方法来进一步提高语义类别分割和实例级分割的效果，以最终在 PASCAL VOC 2012 数据集上取得最佳结果。

May, 2016

介绍了一种将现有的深度学习模型和变分分割方法结合的方法，该方法利用深度特征和能量函数优化得到高精度的实例分割掩码，适用于机器人操作和自动驾驶等各种现代应用。

Jul, 2020

本文提出了一个 Proposal-Free Network (PFN)，通过基于像素到像素的深度卷积神经网络实现不需要候选区域的实例级对象分割，并结合聚类方法，取得了显著的实例级对象分割表现，与最先进的算法相比在 PASCAL VOC 2012 上的 $AP^r$ over 20 类在 0.5 交并比下从 43.8％增加到 58.7％。

Sep, 2015

本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验，相对于现有方法说明主要性能提高。

Jul, 2019