摘要
本文提出了一种新的方法，用于在图像级类别标签的监督下学习实例分割。该方法生成训练图像的伪实例分割标签，这些标签用于训练一个完全监督的模型。为了生成伪标签，我们首先从图像分类模型的注意力图中识别出对象类别的高置信度种子区域，并将其传播以发现具有精确边界的整个实例区域。为此，我们提出了IRNet（Instance Relation Network），该网络估计单个实例的大致区域并检测不同对象类别之间的边界。因此，IRNet能够为种子分配实例标签，并在边界内传播这些标签，从而准确估计整个实例区域。此外，IRNet通过在注意力图上使用像素间关系进行训练，因此不需要额外的监督信息。我们的方法在PASCAL VOC 2012数据集上取得了卓越的性能，不仅超过了以前在同一监督水平下训练的最佳模型，还超越了一些依赖更强监督的先前模型。