في هذا البحث، نقدم طريقة جديدة لتقسيم النماذج (instance segmentation) تعمل بدون صناديق المرجع (anchor boxes) وتنفذ في خطوة واحدة، وهي بسيطة من حيث المفهوم، وتكافلية بالكامل ويمكن استخدامها كوحدة تنبؤ بالأقنعة (mask prediction module) لتقسيم النماذج عن طريق دمجها بسهولة في معظم طرق الكشف الجاهزة. تُعرف هذه الطريقة باسم PolarMask وتقوم بصياغة مشكلة تقسيم النماذج على أنها تصنيف مراكز النماذج وانحدار المسافة الكثيف في إحداثيات القطبية. بالإضافة إلى ذلك، نقترح طريقتين فعالتين للتعامل مع عينات المراكز ذات الجودة العالية والتحسين لانحدار المسافة الكثيف على التوالي، والتي يمكن أن تحسن الأداء بشكل كبير وتبسط عملية التدريب. بدون أي تعقيدات إضافية، يحقق PolarMask نسبة 32.9% في قياس الدقة المتوسطة للأقنعة (mask mAP) باستخدام نموذج واحد ومقياس واحد للتدريب والاختبار على مجموعة بيانات COCO الصعبة. ولأول مرة، نظهر إطارًا أكثر بساطة ومرونة لتحقيق دقة تنافسية في تقسيم النماذج. نأمل أن يكون الإطار المقترح PolarMask بمثابة أساس قوي ومرجعي للمهام المتعلقة بتقسيم النماذج في خطوة واحدة. الرمز البرمجي متاح على: github.com/xieenze/PolarMask.