实例分割

性能

模型	性能	评价
solov2	ResNet-101 and deformable convolutions achieves 41.7% in AP on COCO test-dev (without multi-scale testing). A light-weight version of SOLOv2 executes at 31.3 FPS on a single V100 GPU and yields 37.1% AP.	在Res101和可形变卷积上精度为41.7%，实际使用效果应该会大幅缩水。

SOLD:

主要思想：

利用位置信息来进行实例分割，将原图大致分为S*S个矩形框，分别对每个框进行分类和分割预测。流程如图：
输出共有两个分支，上面分支预测类别信息，输出尺寸为S * S * C：S为原图预设的分割矩形框数目；C为类别个数。下面分支预测实例mask，输出为H * W * S² ，通道数S²对应原图所分的每个块，预测为该块对应的完整实例mask。

关键点：

1. CoorConv：为不同通道输出的特征图引入空间位置信息。
2. Local Loss 和 Dice Loss
3. nms的矩阵实现：Matric NMS

solov2

主要优化的部分为mask生成分支

图a为原始的solo网络maks分支，直接生成H * W * S²的预测特征图；图b为一种x和y方向上的解耦操作，作者发现x和y方向上的预测是相对独立的；图c为位置相关的一种解耦操作，上面分支预测S * S个anchor参数，每个anchor对下面分支进行卷积操作都会生成一张特征图，共可生成S²个，接下来就与图a一致了。

PSPNet

c部分：pooling为平均池化，池化后利用11卷积将通道数降低为原来的1/N（N为pooling的个数，此处为4），然后上采样到原Feature大小，Concat后此部分结束
d部分：利用卷机生成NHWC的特征图用于预测。N为batch、H和W为b部分预测的特征图尺度、C不确定，猜测为类别个数，待确定。