實例分割和語義分割長期以來都是運用不同的神經網絡架構來完成的，雖然最近出現了將語義和實例分割進行結合的“全景分割”，但經典方法仍將兩者視為獨立的任務。近日，Facebook AI 使用單一神經網絡架構來同時完成實例分割（識別出圖片前景中的人或者動物）和語義分割（對圖片背景中的像素進行分類）。他們的研究則通過統一的神經網絡架構來同時實現實例和語義分割，這一新架構實現了對內存和計算資源的高效利用，也可以作為全景分割任務的基準。

原理：這一新架構“全景 FPN ”在 Facebook 2017 年發布的 Mask R-CNN 的基礎上添加了一個用于語義分割的分支。這一新架構可以同時對圖像進行實例和語義分割，而且精確度與只進行實例或語義分割的神經網絡相當，這相當于能將傳統方法所需要的計算資源減半。在 COCO 和 Cityscapes 數據集上的測試顯示在計算資源相同的條件下全景 FPN 的表現遠優于使用兩個獨立的神經網絡分別進行實例和語義分割。

重要性：全景 FPN 架構統一，方便實現而且資源利用率高，為之后的全景分割研究設立了基準。對計算資源要求的降低以及對圖像理解的深入也會對需要進行復雜圖像實時處理的識別系統產生深遠的影響。將圖片前景中物體的分割與背景分割作為一個統一的任務對我們理解圖片中場景并據此完成進一步的操作至關重要。