信息在神经网络中的传播方式至关重要。本文提出了一种路径聚合网络（Path Aggregation Network，简称PANet），旨在增强基于提议的实例分割框架中的信息流。具体而言，我们通过自底向上的路径增强，在较低层中加入精确的定位信号，从而缩短了低层特征与顶层特征之间的信息路径。我们引入了自适应特征池化技术，该技术将特征网格与所有特征层级连接起来，使得每个特征层级中的有用信息可以直接传递到后续的提议子网络。此外，我们创建了一个互补分支，以捕捉每个提议的不同视角，进一步提高掩码预测的准确性。这些改进易于实现，并且计算开销较小。我们的PANet在COCO 2017挑战赛的实例分割任务中获得了第一名，在目标检测任务中获得了第二名（无需大规模批量训练）。同时，PANet在MVD和Cityscapes数据集上也达到了最先进的水平。代码可在https://github.com/ShuLiu1993/PANet 获取。