우리는 카테고리 수준의 세그멘테이션을 기반으로 한 인스턴스 수준 이미지 세그멘테이션 접근법을 제안합니다. 구체적으로, 의미적 카테고리 마스크의 각 픽셀에 대해 해당 인스턴스의 경계 상자가 깊은 완전 컨볼루셔널 회귀 네트워크를 사용하여 예측됩니다. 따라서 이 방법은 먼저 인스턴스의 경계 상자를 예측하는 검출-후-세그멘테이션 접근법과는 다른 파이프라인을 따릅니다. 현재 인스턴스 세그멘테이션에서 가장 앞선 방법들이지만, 우리의 최신 의미적 세그멘테이션 모델들의 강점을 활용함으로써 제안된 방법이 검출-후-세그멘테이션 접근법과 비교할 만한 혹은 더 나은 결과를 얻을 수 있음을 보여줍니다. 우리는 다음과 같은 공헌을 합니다.(i) 첫째, 우리는 단순하면서도 효과적인 의미적 인스턴스 세그멘테이션 접근법을 제안합니다.(ii) 둘째, 훈련 중에 온라인 부트스트래핑 방법을 제안하는데, 이는 의미적 카테고리 세그멘테이션과 인스턴스 수준 세그멘테이션 모두에서 좋은 성능을 달성하는 데 중요한 역할을 합니다.(iii) 의미적 카테고리 세그멘테이션이 우리 접근법의 두 번째 단계인 인스턴스 수준 세그멘테이션에 큰 영향을 미치므로, 최상의 의미적 카테고리 세그멘테이션 정확도를 달성하기 위해 완전 컨볼루셔널 잔차 네트워크를 훈련시킵니다. PASCAL VOC 2012 데이터셋에서 우리는 현재까지 최고의 평균 교집합 비율 점수(Intersection-over-Union Score) 79.1%를 얻었습니다.(iv) 또한, 우리는 인스턴스 수준 세그멘테이션에서도 최신 연구 결과를 달성하였습니다.