Instance-sensitive Fully Convolutional Networks
最近在研究实例分割，很多都是先检测出instance的bounding box，然后再对box内的像素分类，以此确定前景和背景。但是，有些实例并不能用box来表示，比如车道线。而这篇文章是先分割，再确定box，值得研究。
传统的FCN网络一般生成一个score map，并不能区分实例。而这篇论文提出的FCN网络，在1/8的特征图上，输出9（k*k，k=3）个instance-sensitive score maps、一个objectness score map。instance-sensitive score maps 和objectness scores均在stride=8的特征图上，采用stride=1的两个卷积核生成，如上图所示。
在objectness scores map中，每个score对应一个滑动窗口（在1/8的特征图上，以该位置为中心，m*m的矩形窗，论文中，m=21），score的值表示这个滑动窗口存在instance的概率。
assembling
assembling模块没有任何训练参数，仅仅是从instance-sensitive score maps拷贝数据，合成一个大小为m*m的分割图。若有多个实例，则合成多个m*m的分割图。
（PS：偷个懒，截图了。后续再完善）