(1) 物体検知、セマンティック・セグメンテーション、class-agnosticなセマンティック・セグメンテーションという3つのタスクでマルチタスク学習 (2) 物体検知とセグメンテーションをより密に結びつけることで、両タスクの相乗効果をもたらすinner-connected module (3) 特徴マップを統合するattention skip-layer fusion

PASCAL VOC 2007/2012, およびMS COCOで評価。 物体検知、セマンティック・セグメンテーションの各タスクで、それぞれのSOTAに匹敵する精度。また、joint detection and segmentationの手法であるBlitzNetに対しては、実行速度、および両タスクの精度のいずれも上回った。