Tiefere neuronale Netze sind zu einem etablierten Ansatz für interaktive Segmentierung geworden. Wie unsere Experimente zeigen, liefert ein trainiertes Netzwerk für bestimmte Bilder bereits mit wenigen Klicks eine genaue Segmentierung, während es bei unbekannten Objekten selbst bei umfangreichem Benutzereingriff nicht zu zufriedenstellenden Ergebnissen kommt. Der kürzlich vorgeschlagene Backpropagation-Refinement-Schema (BRS) führt ein Optimierungsproblem für die interaktive Segmentierung ein, das zu einer signifikant besseren Leistung bei schwierigen Fällen führt. Gleichzeitig erfordert BRS mehrere Vorwärts- und Rückwärtsdurchläufe durch ein tiefes Netzwerk pro Klick, was den Rechenaufwand pro Klick im Vergleich zu anderen Methoden erheblich erhöht. Wir stellen f-BRS (feature backpropagating refinement scheme) vor, das ein Optimierungsproblem bezüglich Hilfsvariablen anstelle der Netzwerkingaben löst und lediglich Vorwärts- und Rückwärtsdurchläufe für einen kleinen Teil des Netzes erfordert. Experimente auf den Datensätzen GrabCut, Berkeley, DAVIS und SBD erreichen eine neue State-of-the-Art-Leistung bei einer um eine Größenordnung geringeren Rechenzeit pro Klick im Vergleich zum ursprünglichen BRS. Der Quellcode und die trainierten Modelle sind unter https://github.com/saic-vul/fbrs_interactive_segmentation verfügbar.