MARIO：一种用于多边形分割的混合标注框架

现有的多边形分割模型受限于高昂的标注成本和数据集大小不足。此外,大量未被充分利用的多边形数据因这些模型通常依赖单一类型的标注而无法使用。为此,我们引入MARIO,一个设计用于容纳各种标注类型的混合监督模型,显著扩大了可用数据的范围。MARIO通过融合五种形式的监督:像素级、框级、多边形级、草图级和点级,从未被充分利用的数据集中学习。每种监督形式都与特定的损失函数相关联,有效利用监督标签并最小化噪声。这使得MARIO能够超越仅依赖单一标注类型的限制。此外,MARIO主要利用具有弱标注和低成本标注的数据集,减少了对大规模完全标注数据的依赖。跨越五个基准数据集的实验结果表明,MARIO consistently优于现有方法,凸显其在平衡不同监督形式之间的权衡并最大化化脓分割性能方面的有效性。