极端点监督实例分割

本文提出了一种新颖的实例分割方法，利用极端点，即每个对象的 topmost、leftmost、bottommost 和 rightmost 点。这些点在现代边界框标注过程中 readily available，能够为精确分割提供强线索，从而在不增加标注成本的情况下提升基于边界框监督方法的性能。我们将极端点视为真实实例掩码的一部分，并将其传播以识别潜在的前景和背景点，这些点全部用于训练伪标签生成器。然后使用生成器提供的伪标签进行监督式学习，以训练我们的最终模型。在三个公开基准数据集上，我们的方法显著优于现有的边界框监督方法，进一步缩小了与完全监督方法之间的差距。特别是，当目标对象被分割成多个部分时，我们的模型会生成高质量的掩码，而以前的边界框监督方法常常会失败。