Die Art und Weise, wie Informationen in neuronalen Netzen verbreitet werden, ist von großer Bedeutung. In dieser Arbeit schlagen wir das Path Aggregation Network (PANet) vor, um den Informationsfluss in einem vorschlagbasierten Instanzsegmentierungsrahmen zu verbessern. Insbesondere verstärken wir die gesamte MerkmalsHierarchie mit präzisen Lokalisierungssignalen in den unteren Schichten durch eine von unten nach oben gerichtete Pfadaugmentierung, die den Informationspfad zwischen den unteren Schichten und der obersten Merkmalskarte verkürzt. Wir stellen adaptives Merkmalspooling vor, das das Merkmalsgitter mit allen Merkmalsstufen verbindet, um nützliche Informationen auf jeder Merkmalsstufe direkt an die folgenden Vorschlagsunternetze weiterleiten zu können. Ein komplementärer Ast, der unterschiedliche Ansichten für jeden Vorschlag erfasst, wird erstellt, um die Maskenvorhersage weiter zu verbessern. Diese Verbesserungen sind einfach umzusetzen und verursachen nur geringfügige zusätzliche Rechenaufwände. Unser PANet erreichte den 1. Platz im COCO 2017 Challenge Instanzsegmentierungsaufgabe und den 2. Platz in der Objekterkennungsaufgabe ohne großes Batch-Training. Es ist auch state-of-the-art auf MVD und Cityscapes. Der Quellcode ist unter https://github.com/ShuLiu1993/PANet verfügbar.请注意，"state-of-the-art" 是一个常用的英文术语，在德语文献中通常直接使用，但也可以翻译为 "stand der Technik". 如果您希望使用后者，请告知我。