基于显著图像的类无关学习实现弱监督实例分割

人类具有强大的类别无关对象分割能力，能够精确地勾勒出未知对象的边界，这激发了我们提出一种基于框监督的类别无关对象分割（BoxCaseg）解决方案，用于弱监督实例分割。BoxCaseg模型通过多任务学习的方式，联合使用框监督图像和显著图像进行训练。精细标注的显著图像为框监督图像提供了类别无关且精确的对象定位指导。预训练的BoxCaseg模型预测的对象掩码通过一种新颖的合并和丢弃策略作为代理真值，用于训练弱监督实例分割的Mask R-CNN。仅使用7991张显著图像，弱监督的Mask R-CNN在PASCAL VOC数据集上的表现与全监督的Mask R-CNN相当，并且在COCO数据集上显著优于之前的最先进的框监督实例分割方法。源代码、预训练模型和数据集可在以下网址获取：\url{https://github.com/hustvl/BoxCaseg}。