超越紧致边界框标注的弱监督图像分割

文献中的弱监督图像分割方法通常使用紧致边界框监督时可取得较高分割性能，而在松散边界框监督下性能大幅下降。然而，相较于松散边界框，由于对框四边精确位置的严格要求，紧致边界框的获取要困难得多。为解决此问题，本研究探讨在使用松散边界框作为监督时是否可能维持良好分割性能。为此，本工作通过集成基于极坐标变换的 MIL 策略来辅助图像分割，扩展了我们先前用于紧致边界框监督的基于并行变换的多示例学习（MIL）。所提出的基于极坐标变换的 MIL 公式对紧致与松散边界框均适用，其中正包定义为边界框极线上的像素，其一端位于框所包围物体内部，另一端位于框的四条边之一上。此外，引入加权平滑最大值近似以纳入如下观察：距极坐标变换原点越近的像素越可能属于框中物体。所提方法在两个公开数据集上以骰子系数进行评估，实验中考虑了不同精度水平的边界框。结果表明，所提方法在所有精度水平的边界框上均取得最先进性能，并对松散边界框标注中的轻度与中度误差具有鲁棒性。代码见 \url{https://github.com/wangjuan313/wsis-beyond-tightBB}。