概要
目前(2019年前）基于密集网格式的滑动窗口目标检测器很流行也很成功(SSD，RetinaNet等)，但是实例分割仍是由先检测再分割的Mask R-CNNR-CNN主导。本文提出了一个4D张量来代表预测的mask(其实就是将通道表示成一个固定大小区域的mask）。
- 出发点：dense instance segmentation
- 解决思路：developing effective representations for dense masks
结构
第三章看起来很复杂，据我的理解(若有错误还请指出)，主要的就是两点。第一点就是特征的对齐，如下图所示。
左图这些五颜六色的小方框就是(y,x)点对应的通道特征，如果我们把通道reshape成VxU来代表这个中心点(y,x)点产生的mask，会有特征不对齐的问题，因为明明是这个点的特征，却用这个特征去表示周围点的mask特征不合适。所以就有了右图的对齐操作，这样这个点产生的特征对应了该点的mask特征。
第二点就是Tensor Bipyramid，提出这个是因为不同大小的特征图需要不同的窗口去产生mask，比如小的特征图，我们通常会预测大的物体，这时所需要的窗口要够大，而对于大的特征图，会预测较小的物体，此时我们需要的窗口要小。这里需要说明一下up_align2nat 操作，如下图所示：
这里的s其实就是stride(论文里用unit表示)，假如现在的通道特征比目前的特征图更粗糙(对应到原图像上，意思就是预测出来的mask比本应预测的更粗糙)，先用up_bilinear把通道变多，然后再进行一个对齐操作。
还有一个swap_align2nat操作，就是比up_align2nat多了一个subsample操作，这样可以实现“小特征图预测的mask数量更少“。
第四章介绍了各种head。
如果用a)，说明每一层大物体和小物体都用相同的像素去预测。而b)可以保证mask和物体大小成正比。
实验
