我们提出了一种全新的、极为简洁的图像实例分割方法。相较于其他密集预测任务（如语义分割），实例分割的挑战性主要源于实例数量的任意性。为了为每个实例预测掩码，主流方法通常采用“先检测后分割”的策略（如Mask R-CNN），或先预测类别掩码，再通过聚类技术将像素分组为独立实例。本文从一个全新的视角重新审视实例分割任务，引入“实例类别”（instance categories）的概念：根据实例的位置和尺寸，为每个像素分配相应的类别标签。这一思路巧妙地将实例掩码分割问题转化为一个可解的分类问题。由此，实例分割被分解为两个分类任务。我们所提出的框架在保持极简结构的同时展现出强大的性能，其精度与Mask R-CNN相当，并在准确性上超越了近期的单阶段实例分割方法。我们期望这一简单而高效的方法能成为除实例分割之外诸多实例级识别任务的基准参考框架。