PANet是18年的一篇CVPR，作者来自港中文，北大，商汤与腾讯优图，PANET可看作Mask-RCNN+，是在Mask-RCNN基础上做的几处改进。
论文地址：https://arxiv.org/abs/1803.01534
论文翻译：http://tongtianta.site/paper/1184
论文出发点：当前实例分割最佳模型Mask-RCNN的信息传播还不够充分，具体地，低层特征到高层特征的传递路径过长，FPN中每个proposal只负责金字塔特定的一层，掩码预测只基于单一视角
论文贡献：针对上提出的几点不足，分别设计了相应的改进，所以，论文的贡献也有三点
- 自底向上的路径增强，为了缩短信息传播路径，同时利用低层特征的精准定位信息
- 动态特征池化，每个proposal利用金字塔所有层的特征，为了避免proposal的随意分配
- 全连接层融合，为了给掩码预测增加信息来源，文中的说法是capture diffrent view
实验结果：coco2017实例分割第一名 目标检测第二名
网络整体结构如下，可以看到明显是对Mask-RCNN的改进，整体框架没有变
下面针对上面的三点贡献，详细解释。
1.自底向上路径增强
如上图中所示，FPN是自顶向下，将高层的强语义特征传递下来，对整个金字塔进行增强，不过只增强了语义信息，对定位信息没有传递，而本文就是针对这一点，在FPN的后面添加一个自底向上的金字塔，可以说是很皮了。这样的操作是对FPN的补充，将低层的强定位特征传递上去，个人称之为”双塔战术“。
2.动态特征池化
FPN中的每个proposal根据其大小分配给不同的特征层，但这样可能不够好，原因如下，一是按照大小来分配本身有缺陷，大小相近的proposal可能分配到相邻的层，二是特征的重要程度可能与层级没什么关系，这是论文中的解释，我觉得这两点无关痛痒，我认为这个特征池化层的好处关键是每个proposal聚合了多层的信息，对分类及定位更加有利。至于融合的细节，也就是C中的小圆圈，可参考下图
金字塔上四个灰色区域对应的是同一个proposal，根据特征图相应缩放，分别取到特征后进行融合，上图只是box分支的融合图，掩码分支的论文中没有画出来，但原理是一样的，拿上图来说，四个特征图分别全连接，然后融合，融合操作或者采取max，或者sum，或者相乘。
3.全连接层融合
全连接层具有不同于CNN的结构，CNN产生的特征图上每个像素点来自同一个卷积核，也就是常说的参数共享，另外，卷积核的大小往往为3*3，5*5，7*7，也就是说采集的是局部的信息。
全连接层其实可由卷积实现，可看作感受野为整个特征图的卷积核，所以全连接层是感受野更大的卷积，另外，这里的卷积参数不共享，每个像素点拥有一个卷积核，所以区别在于感受野和参数是否共享，文中说全连接层是位置敏感的，这一点我还没看出来，我个人觉得在感受野上的补充应该是一个重要的功能，至于对位置更加敏感，有利于定位，我无法理解。
另外，贴一下对比试验，验证上面三点的作用。
其中，BPA，AFP，FF分别对应上面提出的三点改进，效果明显，铁证如山。
至于其它的实验结果就不贴了，比较遗憾的是论文中并没有贴出与Mask-RCNN在一些图片上的直观的对比图，那样更有说服力了。