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

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

本文研究了密集滑动窗口实例分割的范例，将其作为 4D 张量预测任务，提出了一种称为 TensorMask 的通用框架，可以明确捕获几何信息和使预测更加准确，比现有的模型具有更好的性能表现。

Mar, 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

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

该研究提出了一种新的 Deformable Polar Polygon Object Detection 方法，使用带有灵活顶点的稀疏多边形表示来实现精确形状对齐和低计算成本，通过稠密重新采样训练和预测多边形，实现高精度的物体形状学习，并成功应用于自动驾驶中的各种物体检测任务。

Apr, 2023

本文对 CenterPoly 进行改进，提出了一种新的基于区域和顺序的损失函数，针对不同的坐标系评估了多边形掩模的影响，实现了一种实例分割方法，使用回归损失和基于区域的损失的组合可显著提高结果.

May, 2023