BLADE：通过定向扩展实现框级监督的非模态分割

感知被遮挡物体的完整形状对于人类和机器智能至关重要。非模态分割任务旨在预测部分遮挡物体的完整掩码，但标注像素级真实非模态掩码耗时费力。框级监督的非模态分割通过仅依赖真实边界框和实例类别作为监督来解决这一挑战，从而减轻了对详尽像素级标注的需求。然而，当前的框级方法在生成低分辨率掩码和不精确边界方面存在局限，无法满足实际应用的需求。我们提出了一种新颖的解决方案，通过引入从可见掩码到相应非模态掩码的定向扩展方法来解决此问题。我们的方法涉及一个基于重叠区域（即不同实例相交的区域）的混合端到端网络。根据不同的特性，对重叠区域和非重叠区域应用不同的分割策略。为了引导可见掩码的扩展，我们为重叠区域引入了一个精心设计的连通性损失，该损失利用与可见掩码的相关性，有助于实现精确的非模态分割。在多个具有挑战性的数据集上进行的实验表明，我们提出的方法能以较大优势超越现有的最先进方法。