酒足饭饱twostage（两阶段实例分割）⾃上⽽下（Top-Down）和⾃下⽽上（Bottom-
Up）
房檩的读音
⾃上⽽下（Top-Down）
⾃上⽽下的实例分割⽅法的思路是：⾸先通过⽬标检测的⽅法找出实例所在的区域（bounding box），再在检测框内进⾏语义分割，每个分割结果都作为⼀个不同的实例输出。
这类⽅法的代表作就是⼤名⿍⿍的Mask R-CNN了，如下图，总体结构就是Faster R-CNN的两阶段⽬标检测，box head⽤来做检测，增加了mask head⽤来做分割，模型⼤家都很熟，细节就不再赘述
激情似火
方向与位置⾃下⽽上（Bottom-Up）
东北菜大全
⾃下⽽上的实例分割⽅法的思路是：⾸先进⾏像素级别的语义分割，再通过聚类、度量学习等⼿段区分不同的实例。这种⽅法虽然保持了更好的低层特征（位置信息等），但是缺点也⽐较明显：
植物描写如何控制自己的情绪对密集分割的质量要求很⾼，会导致⾮最优的分割
找投资人泛化能⼒较差，⽆法应对类别多的场景
后处理⽅法繁琐
