实例分割方法分类如下
两阶段
top down
1、通过目标检测的方法找出实例所在的区域（bounding box）；
2、在检测框内进行语义分割，每个分割结果都作为一个不同的实例输出。
代表论文：
《Mask R-CNN》
《Mask scoring R-CNN》
《Path Aggregation Network for Instance Segmentation》
《Hybrid task cascade for instance segmentation》——算法解读：https://blog.csdn.net/qq_41994006/article/details/105177894
bottom up
1、进行像素级别的语义分割；
2、通过聚类、度量学习等手段区分不同的实例。
代表论文：
单阶段
一种是受one-stage, anchor-based 检测模型如YOLO，RetinaNet启发。
代表论文：
《YOLACT》
《SOLO》——算法解读：https://blog.csdn.net/qq_41994006/article/details/105170426
《SOLOv2》——算法解读：https://blog.csdn.net/qq_41994006/article/details/105184200
一种是受anchor-free检测模型如 FCOS 启发。
代表论文：
《PolarMask》
算法：基于FCOS，通过对中心点分类，以及学习中心点到边缘的距离，FCOS为学习中心点到box四个角点的距离，polarmask论文中点数为36，间隔10度。
此方法缺点为对于中间中空的目标没办法进行很好的预测。
《AdaptIS》
《Blend Mask》
其他
《Deep Snake for Real-Time Instance Segmentation》
目前正在持续填坑。。。