本文提出了一种弱监督实例分割方法，该方法仅需使用带有紧密边界框标注的训练数据。其主要难点在于，每个边界框内部的前景与背景分割存在不确定性，因为缺乏关于该分割的监督信号。为解决这一问题，本文将该任务建模为多示例学习（Multiple Instance Learning, MIL）问题，并基于每个边界框的扫描线生成正样本袋和负样本袋。所提出的深度模型将MIL机制融入全监督实例分割网络中，其优化目标由两项构成：一元项（unary term）和成对项（pairwise term）。其中，一元项用于估计每个边界框内的前景与背景区域，而成对项则用于保持所估计目标掩码的一致性。实验结果表明，该方法在PASCAL VOC数据集上的表现优于现有弱监督方法，甚至在某些情况下超越了部分全监督实例分割方法。