目标检测和实例分割任务都是对图像中的每一个对象进行辨别,它们具有一定的相似性,很多工作也在目标检测的基础上完成实例分割任务。二阶段目标检测模型可以通过简单的扩展就能完成实例分割任务,但这种扩展在一阶段模型中却难以做好。本文的工作是在一阶段目标检测模型的基础上设计一种实例分割扩展方法,使这种简单通用的扩展方法能够在保持目标检测性能的同时得到高质量的实例分割结果。基准目标检测模型在特征金字塔的各层分别识别不同大小的对象(对象流),以点对象的形式表达图中对象的各个属性(类别、检测框),但却很难同样地表达一个对象的分割掩膜。为此,本文的扩展方法首先在FPN的最底层(P3)扩展一个全卷积的分割流,分割流输出一组分割基底,同时在对象流上加入一组与分割基底对应的组合系数。一个图像经过网络生成一组分割基底,并由对象流生成的组合系数(负责分辨不同的对象),两者的线性组合最终得到对象的实例分割掩膜。扩展后的模型在训练中会出现对象流和分割流两者收敛不一致的问题,本文提出为不同卷积流应用不同学习率的策略来解决。扩展模型的最后是一个后处理重组方法,该方法在原有NMS算法的基础上改善了对分割掩膜的处理,在不影响原有目标检测性能的基础上提升了实例分割的精度。分割基底和组合系数的线性组合过程涉及三次激活函数,不同的激活函数组合会引导出不同的分割基底结果。本文通过图示分析了不同组合方式的效果,并得出其中分割精度结果最优的一组组合方式:以softmax函数激活组合系数,以sigmoid函数激活分割基底,线性组合后无需激活。但该组合方式仍然难以应对同类对象存在检测框重叠关系的情况,本文提出一种并集区域损失策略来解决这个问题,该策略使得模型能够学习出点对象和分割基底之间的多对多关系,真正做到让两个存在检测框重叠关系的目标对象被“分解”到两个不同的分割基底上。最后,本文还提出一种交叉注意力模块,它是一个连接网络C2与P3部分的连接模块,它让分割流能够得到有效的提升。本文在对一阶段目标检测模型的扩展过程中,提出了几项提升改进的方法,这些改进方法与基于分割基底组合的扩展一样,具备通用性,可以针对不同的模型加入这些改进,并带来提升。