本研究の目的は、性能が高く、シンプルで直接的な高速インスタンスセグメンテーションフレームワークを構築することである。我々は、王らの「SOLO: segmenting objects by locations」に従うが、重要な点として、オブジェクトセグメンターのマスクヘッドを位置情報に基づいて動的に学習する方法を一歩進めて採用している。具体的には、マスクブランチをマスクカーネルブランチとマスクフィーチャーブランチに分離し、それぞれが畳み込みカーネルと畳み込まれた特徴量を学習する役割を持つ。さらに、Matrix NMS（Non Maximum Suppression）を提案することで、マスクのNMSによる推論時間のオーバーヘッドを大幅に削減している。Matrix NMSは並列行列演算によって一発でNMSを行い、より良い結果を得ることができる。我々はシンプルで直接的なインスタンスセグメンテーションシステムを示し、その速度と精度においていくつかの最先端手法を上回っていることを実証した。SOLOv2の軽量版は31.3 FPSで動作し、37.1% AP（Average Precision）を達成している。また、オブジェクト検出（マスク副産物から得られる）やパノプティックセグメンテーションにおける最先端の結果も示しており、これらの成果はインスタンスセグメンテーション以外にも多くのインスタンスレベル認識タスクにおける新しい強力なベースラインとなる可能性がある。コードは以下のURLから入手可能である: https://git.io/AdelaiDet