オブジェクト解析 -- オブジェクトをその意味的な部分に分解するタスク -- は伝統的にカテゴリレベルのセグメンテーション問題として定式化されてきました。したがって、画像中に複数のオブジェクトが存在する場合、現在の手法ではシーン内のオブジェクト数をカウントすることはできませんし、どの部分がどのオブジェクトに属するかも決定できません。この問題に対処するために、我々はインスタンスレベルでオブジェクトの部分をセグメンテーションすることを目指します。これにより、画像中の各ピクセルには部分ラベルとそれが属するオブジェクトの識別子が割り当てられます。さらに、このアプローチが粗い粒度でのセグメンテーションにも有益であることを示します。我々が提案するネットワークは検出結果に基づいてエンドツーエンドで学習され、カテゴリレベルのセグメンテーションモジュールから始まります。その後、入力画像ごとに可変数のインスタンス上で定義される微分可能な条件付き隨機場（Conditional Random Field）が、各部分を人間の検出結果に関連付けることでその識別子について推論を行います。他の手法とは異なり、我々の方法は各画像における人数の変動に対応でき、全体的なネットワークはインスタンスレベルの人間および部分セグメンテーションにおいて最先端の結果を出し、またカテゴリレベルの部分セグメンテーションでも競争力のある結果を得ることができます。これら全ては単一の順方向パスを通じて達成されます。