實例分割方法分類如下
兩階段
top down
1、通過目標檢測的方法找出實例所在的區域（bounding box）；
2、在檢測框內進行語義分割，每個分割結果都作爲一個不同的實例輸出。
代表論文：
《Mask R-CNN》
《Mask scoring R-CNN》
《Path Aggregation Network for Instance Segmentation》
《Hybrid task cascade for instance segmentation》——算法解讀：https://blog.csdn.net/qq_41994006/article/details/105177894
bottom up
1、進行像素級別的語義分割；
2、通過聚類、度量學習等手段區分不同的實例。
代表論文：
單階段
一種是受one-stage, anchor-based 檢測模型如YOLO，RetinaNet啓發。
代表論文：
《YOLACT》
《SOLO》——算法解讀：https://blog.csdn.net/qq_41994006/article/details/105170426
《SOLOv2》——算法解讀：https://blog.csdn.net/qq_41994006/article/details/105184200
一種是受anchor-free檢測模型如 FCOS 啓發。
代表論文：
《PolarMask》
算法：基於FCOS，通過對中心點分類，以及學習中心點到邊緣的距離，FCOS爲學習中心點到box四個角點的距離，polarmask論文中點數爲36，間隔10度。
此方法缺點爲對於中間中空的目標沒辦法進行很好的預測。
《AdaptIS》
《Blend Mask》
其他
《Deep Snake for Real-Time Instance Segmentation》
目前正在持續填坑。。。