Motivation
作者认为，尽管检测和分割被分成两个任务，但是这些差异都是人为设定的。因此，这里应该存在一种任务——Simultaneous Detection and Segmentation，这个其实就是后来的instance segmentation.
本文的目标就是提高SDS task的性能.
Framework
* proposal generation
由于是分割任务，所以这里代替SS使用MCG，提取了一种region candidate.
* feature extraction
two-pathway, 一路提取bounding-box特征，一路提取region foreground特征.
* region classification
train a SVM to classfy every candidate.
* region refinement
使用CNN产生的特征直接进行maks prediction，并使用原有的region candidate进行提高.
* Three Model
A: 两路，权重相同，联合训练
B: 两路，权重不同，分开训练
C: 两路，权重不同，联合训练
* Segmentation refine
top-down(features extracted by CNN) + bottom-up(superpixel)
Result
在SDS任务上远远超过了O2P，并且在检测和分割任务上都有一定的提高。
Conclusion
首次结合了检测和分割，使用两路完成bounding-box和region信息的融合，然后SVM分类，segmentation refine.
Other
Source code: http://www.eecs.berkeley.edu/Research/Projects/CS/vision/shape/sds