![fff440566501c77a7bd032e888618902.png](https://img-blog.csdnimg.cn/img_convert/fff440566501c77a7bd032e888618902.png)
![f7675c326c418279397b2eb0d3cf808c.png](https://img-blog.csdnimg.cn/img_convert/f7675c326c418279397b2eb0d3cf808c.png)
box-free的实力分割通常依赖于局部的像素级信息,缺少全局信息,因此常出现过分割或欠分割的问题。因此作者提出了一种新的anchor-based的实例分割方法。主要方法就是像Mask-RCNN一样先产生RoI,然后在每一个RoI上进行分割。但是作者与之有两点主要不同:① multi-level 的特征融合,不仅仅关注global还关注local;② 在分割阶段加入instance normalization来恢复目标物体的分布,同时抑制其他物体的分布。
1 The Proposed Method
1.1 Framework
分为两个Branch:
![563aa9a25495d0463aa282e44b05c980.png](https://img-blog.csdnimg.cn/img_convert/563aa9a25495d0463aa282e44b05c980.png)
- Object Detection Branch:首先输入图片