摘要

我们提出了一种基于深度社区学习和多任务的弱监督实例分割算法。该任务被表述为弱监督目标检测和语义分割的结合，其中同一类别的各个目标被分别识别和分割。为了解决这一问题，我们设计了一种统一的深度神经网络架构，该架构具有一个由目标检测（带有边界框回归）、实例掩码生成、实例分割和特征提取组成的正反馈循环。网络中的每个组件与其他组件积极互动以提高准确性，而我们模型的端到端可训练性使得结果更加稳健和可复现。在标准基准数据集上，所提出的算法在弱监督设置下实现了最先进的性能，无需进行如Fast R-CNN和Mask R-CNN等额外训练。我们的算法实现可在项目网页上获取：https://cv.snu.ac.kr/research/WSIS_CL。