基于超像素的无监督实例分割

实例分割是机器人、人机交互和自动驾驶等众多计算机视觉应用的关键。当前流行的模型通过训练大量人工标注实现卓越的实例分割性能，但这些标注成本高昂。因此，我们提出一种新框架，高效有效地完成无需人工标注的实例分割。首先，对自监督特征应用 MultiCut 算法进行粗糙掩码分割。随后，采用掩码过滤器获取高质量的粗糙掩码。为训练分割网络，我们计算一种新型的超像素导向掩码损失，包括硬损失和软损失，基于高质量的粗糙掩码和来自低层图像特征分割的超像素。最后，提出一种新的自训练过程，采用自适应损失以提高预测掩码的质量。我们在公共数据集上进行实例分割和目标检测实验，以展示所提出框架的有效性。结果表明，所提出框架超过以往最先进的方法。