摘要：儘管在例項分割方面已經付出了巨大的努力，但分割結果的質量仍然不令人滿意。由於特徵對映的空間解析度較低和邊界畫素的比例極低所導致的不平衡問題，預測結果的邊界往往不精確。瞭解決這些問題，我們提出了一個概念上簡單但有效的後處理細化框架，該方法能基於任何例項分割模型的結果來提高邊界質量，稱為BPR。根據看的近邊緣分割效果好的想法，我們沿著預測例項的邊界提取和細化一系列小的邊界塊（patch）。我們通過一個更高解析度的邊界補丁細化網路來完成邊緣的重新細化。在Cityscapes 資料集上，所提出的BPR框架比MaskR-CNN方法產生了顯著的改進，特別是在邊界感知度量上。此外，通過將BPR框架應用於“PolyTransfor+SegFix”基準，我們在Cityscapes排行榜上獲得了第一名。程式碼見

創新點：

（1）一個邊緣細化網路進行邊緣的增強（借鑑的是看的近，邊緣識別的越準的思維），邊緣增強網路是0-1分類。

（2） 利用NMS的策略來降低slide-windows 採用引起的弊端。

可以學習的點：

個人覺得論文的整體寫作很有借鑑性，從一個小點介入（LookingCloser to Segment Better) 然後對其中的細節進行深入的探究，思維特別嚴密，問題的考慮很全面。

實驗佈局：

1、Ablation Study

1.1、上限分析，說明邊緣提升的作用

1.2、Effects of Mask Patch

1.3、

1.4、Different Patch Extraction Schemes (重點)

探究如何取樣

1.5、Input Size of the Refifinement Network

邊界可以用更高的解析度和更大的輸入尺寸進行處理，因此可以保留更多的細節。

1.6、Alternatives of refifinement network.

探究了不同網路，肯定了網路的重要性

1.7、NMS Eliminating Threshold.

不同的閾值反應patch 的取樣的多少

2、Transferability

探究的是模型的泛化性，結果的可遷移性。

2.1 依據Mask-RCNN結果進行的取樣處理後的邊緣增強結果用到其他網路的結果上仍然有用，證明方法的通用性，是一種泛化性的方法。

2.2 將提出的方法應用到其他邊緣增強的網路中，仍舊可以提升這些方法的分割效果，說明方法具有相容性。

3 方法的優越於性