基于超像素的无监督实例分割框架：突破人工标注依赖的计算机视觉新方法

【编辑推荐】本文提出了一种无需人工标注的无监督实例分割框架，通过MultiCut算法生成粗掩膜，结合超像素引导的硬/软损失函数（hard/soft loss）和自适应损失自训练机制，在COCO等数据集上实现SOTA性能。该研究为降低计算机视觉（CV）任务标注成本提供了创新解决方案。

　　

亮点

监督式实例分割

监督式实例分割（Supervised Instance Segmentation）能够对图像中的物体进行分割和分类。现有方法可分为多类：自上而下法（如Mask R-CNN^?）先检测物体再在边界框内分割；自下而上法（如SSAP^?）通过像素级嵌入学习后聚类；直接分割法（如SOLO^?）则无需嵌入学习或框检测。

创新方法

本节首先描述粗掩膜分割流程，随后提出新型超像素引导掩膜损失（superpixel-guided mask loss），结合粗掩膜与超像素及色彩信息训练分割网络，最终通过自适应损失（adaptive loss）实现网络自训练。框架概览见图2。

实验设置

数据集：遵循CutLER^?方案，仅使用ImageNet^?（130万张无标注图像）训练，并在COCO val2017^?、PASCAL VOC^?等数据集上零样本评估。

结论

我们提出的无监督实例分割框架，利用超像素、粗掩膜和图像色彩等易获取监督信号，通过包含硬损失（强制匹配超像素标签）和软损失（基于色彩相似性概率）的双重损失机制，显著提升分割性能。