Wir stellen eine neuartige Methode vor, die CenterPoly genannt wird, für die Echtzeit-Instanzsegmentierung mithilfe von Begrenzungs polygonen. Diese Methode wird angewendet, um Verkehrsteilnehmer in dicht besiedelten städtischen Umgebungen zu erkennen, was sie für Anwendungen in intelligenten Verkehrssystemen wie autonom fahrende Fahrzeuge geeignet macht. CenterPoly erkennt Objekte durch ihren zentralen Keypoint und prognostiziert gleichzeitig eine feste Anzahl von Polygonknotenpunkten für jedes Objekt, sodass Detektion und Segmentierung parallel durchgeführt werden können. Die meisten Netzwerkparameter werden von den Netzwerkköpfen geteilt, was die Methode schnell und leichtgewichtig genug macht, um in Echtzeit zu laufen. Um Masken-Grundwahrheit korrekt in Polygon-Grundwahrheit zu konvertieren, haben wir eine Knotenauswahlstrategie entwickelt, die das Lernen der Polygone erleichtert. Zudem trainieren wir einen relativen Tiefenzweig, um bessere Segmentierungen überlappender Objekte in dicht besiedelten städtischen Szenen zu ermöglichen. Dieser Zweig nutzt verfügbare schwache Annotationen, um festzustellen, welche Instanzen näher und welche weiter entfernt sind. Wir schlagen mehrere Modelle mit unterschiedlichen Backbones vor, um mögliche Geschwindigkeit-/Genauigkeit-Kompromisse aufzuzeigen. Die Modelle wurden auf Cityscapes, KITTI und IDD trainiert und evaluiert; die Ergebnisse werden anhand ihrer öffentlichen Benchmarks gemeldet und stellen den aktuellen Stand der Technik bei Echtzeitgeschwindigkeiten dar. Der Quellcode ist unter https://github.com/hu64/CenterPoly verfügbar.