人工智能目前是一个比较热门的领域,在生活中有许多实际的应用场景,发展空间也是相当大,一些方向比如检测识别图像、分割图像等任务也受到了许多的关注。本文主要通过特征增强的方式来改进检测和分割网络的性能。具体来说,通过改进网络结构来改善检测分割性能,检测方面,有通过角点检测的方式来得到候选框,存在的性能瓶颈主要是角点检测这块,通过边缘检测的分支,因为角点的确定是通过边缘,那么通过在训练时候增加的边缘检测分支可以进一步提高角点检测的准确性。在语义分割方面,一般是通过引入语义信息更强的深层输出即高层信息来引导底层信息通过跳过连接传到高层部分的信息,但是仍然存在一些缺陷,没有考虑到底层和高层信息的域差异问题,本文通过域转换的方式,在特征融合之前,将底层的特征域向高层的特征域转换,最后达到去除底层细节信息带来的噪声问题。本论文在公开的COCO数据集以及PASCAL VOC和Cityscape上做实验,验证了特征增强在上述两个方向上的有效性。本文深入研究了特征增强在不带来太多计算量的同时,对性能较好的模型带来的性能提升。本论文进一步研究了组合检测和分割进行实例分割的问题,提出了一种加入GRU模块的简单而有效的实例分割方法,采用Vo VNet作为基础网络网络,使用无锚框的FCOS进行目标检测,然后再在检测框上进行语义分割。GRU模块有助于专注于有意义的特征并自适应地忘记无用的特征。实验的结果显示,通过这样自适应特征选择的方式,能够使得检测和分割的性能得到改善,并且训练过程不复杂,容易实现。实验结果表明,本论文提出的特征增强方法没有增加太多的计算量,提出的边缘检测分支以及域适应的方法均能够发挥作用,其中域适应的方法取得了最好的效果。提出的特征增强的方法均能在基础网络较强的模型基础上,再进一步得到提升。