本研究提出了一种利用生成一组原型掩码和预测每个实例掩码系数的并行子任务的方法，进而实现在一台 Titan Xp 上每秒 33.5 帧且仅在一台 GPU 上进行训练即可在 MS COCO 上达到 29.8 mAP 的实时实例分割的全卷积模型，并且进一步通过分析原型的紧急行为和提出一个只有 12 ms 更快的可替换的 Fast NMS 来优化模型。

Apr, 2019

提出了一种实时实例分割的全卷积模型，通过生成原型掩模和预测实例掩模系数两个并行子任务，使用线性组合的方法得到实例掩模。通过使用改进的锚点尺度和纵横比进行优化，同时引入新的快速掩模回归分支以及快速 NMS 算法，使得该模型在实时情况下能够接近于最先进的方法。

Dec, 2019

我们提出了一种名为 Open-YOLO 3D 的快速而准确的开放词汇 3D 实例分割方法，在多视角 RGB 图像中有效利用仅 2D 对象检测进行开放词汇 3D 实例分割，并通过生成类无关的 3D 掩码并与文本提示相关联来处理此任务。我们的 Open-YOLO 3D 在两个基准测试集 ScanNet200 和 Replica 上实现了最先进的性能，在与文献中最佳方法相比速度提高了多达 16 倍。

Jun, 2024

该研究介绍了一种名为 SiamMask 的方法，可实现单个简单方法的实时视觉对象跟踪和半监督视频对象分割。 在实时操作过程中，SiamMask 仅依赖于单个边界框初始化，以每秒 55 帧的速度产生类不可知对象分割掩模和旋转边界框。 该方法在 VOT-2018 实时跟踪器中实现了新的最新技术，同时在 DAVIS-2016 和 DAVIS-2017 的半监督视频对象分割任务中提供了最佳速度和最佳性能。

Dec, 2018

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

本文介绍了一种高效的、有效的、面向对象的检测框架 ——Oriented R-CNN，其中包括一种面向区域提议网络（oriented RPN），可以直接生成高质量的面向提议，并具有最先进的检测精度。

Aug, 2021

提出了实时全景分割框架 YOSO，通过动态卷积预测掩模，采用特征金字塔汇聚器进行特征图提取，并采用可分离动态解码器进行全景核生成，具有较高的效率和精度，是首个能够与最先进模型相媲美的实时全景分割框架。

Mar, 2023

本文提出一种简单、直接、快速的实例分割框架，其主要创新点是动态地学习对象分割器的掩码头（mask head），并引入了 Matrix NMS 来显著减少 NMS 导致的推理时间开销。该方法在速度和准确率上优于当前最先进的方法，在对象检测和全景分割等任务中也表现出良好的性能。

Mar, 2020

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