论文：Path Aggregation Network for Instance Segmentation

Abstract

      神经网络中信息传递的方式很重要。本文提出 PANet 网络来增强 proposal-based 实例分割的信息流。具体的，提出bottom-up path augmentation，adaptive feature pooling和complementary branch。

1.Introduction

      Mask R-CNN是一个简单有效的实例分割模型，FPN通过一个具有侧连接的top-down path来传递高级语义特征，并层级提取内部特征。Dense connection，Residual connection，split-transform-merge等模型策略都十分有效。

Our Finding: 我们发现Mask RCNN 中的信息流还可以优化。具体来说，低级的特征对large instance的识别有帮助，但是从底层到高层的path太长以至于很难得到精确的位置信息（广义的位置信息，包括定位和轮廓信息）。每一个proposal都对应于一个feature level。这可能会丢失其他level的信息。

Our Contributions: 首先，提出一个bottom-up path来缩短information path，通过低层次具有的精确地位置信息来增强特征金字塔。其次，提出adaptive feature pooling 来恢复proposal 和 all feature levels 之间破损的信息。最后，提出一个fc分支和FCN分支融合，共同预测mask.

2.Related Work

Instance Segmentation: Two stream for instance segmentation，一种是 proposal-based，一种是segmentation-based

Multi-level Features:</