本研究提出一种 fine-grained dynamic head 方法，结合 Feature Pyramid Network（FPN）和 spatial gate 的机制实现多尺度特征的表示，进一步提高了物体检测的效率和精确度。

Dec, 2020

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

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

这篇论文介绍了 Mask DINO，一种统一的物体检测和分割框架，能够通过 DOT product 技术预测出一组二进制掩模，进行各种图像分割任务（实例、全景和语义）。它能够从联合大规模检测和分割数据集中获益，并且显示了卓越的性能优势。

Jun, 2022

本文通过扩大特征金字塔网络（FPN）的感受野来增强空间信息，从而提高目标检测精度，提出了一种新的动态 FPN（DyFPN）方法，它可以通过适应性选择分支进行动态计算，以在维持高性能的情况下更有效地利用计算资源。实验证明，与基准模型相比，采用 DyFPN 可以以更少的计算量获得相似的高性能。

Dec, 2020

本文提出了一种名为 RefineMask 的新方法，通过多阶段方式在实例分割过程中整合细粒度特征，从而使分割精细化，尤其是适用于大对象的分割，并在 COCO、LVIS 和 Cityscapes 基准测试中分别取得了 2.6、3.4 和 3.8 AP 的显著增益，同时在 LVIS 测试数据集上超越了 2020 年的 LVIS 挑战赛的获胜者并创造了新的最佳成果。

Apr, 2021

DynaMITe 是一种更有效率的交互式分割网络方法，采用 Transform 器解码器将用户交互表示为时空查询，从而在单个迭代中分割多个目标实例，不需要重新计算图像特征，可在较少的交互次数下在单个图像中分割多个实例，并在多个现有互动分割基准测试中以及我们提出的新的多实例基准测试中实现了最新的结果。

Apr, 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

我们的工作解决了计算机视觉中图像分割的基本挑战，提出了一种增强的无监督卷积神经网络算法 DynaSeg，通过自动化参数调整来灵活适应图像细节，并通过引入 Silhouette Score Phase 解决了动态聚类的挑战，同时整合了 CNN-based 和预训练的 ResNet 特征提取，取得了在多个数据集上的最先进结果，相对于 COCO-All 和 COCO-Stuff 当前基准分别提高了 12.2% 和 14.12%，该方法消除了对细致的参数调整的需求，解决了实际场景中可扩展性的问题。

May, 2024