TPAMI 2024 | 目标亲和性学习：迈向无需标注的实例分割

主要观点总结

本文提出了一个名为“对象亲和学习”的代理任务，用于解决无需标注的实例分割问题。该任务旨在从几何线索中学习像素关系，并通过空间连续性和运动一致性作为约束来监督对象亲和学习。该方法能够直接在单目视频中学习对象亲和，并通过图划分算法生成实例分割的掩膜。在Waymo Open Dataset等复杂场景下的实验结果表明，该方法取得了领先的性能，并在WIS基准测试上评估了模型的性能。此外，该方法还提供了一个新的基准测试WIS，用于在WOD上评估实例分割。

关键观点总结

关键观点1: 对象亲和学习作为代理任务

对象亲和学习旨在从几何线索中学习像素关系，作为无需标注的实例分割的代理任务。

关键观点2: 利用空间连续性和运动一致性作为监督

空间连续性和运动一致性是对象的固有属性，可作为对象亲和学习的一般监督。

关键观点3: 直接在单目视频中学习对象亲和

模型能够直接从单目视频中的几何线索中学习对象亲和，无需手动标注。

关键观点4: 通过图划分算法生成实例分割的掩膜

学习到的对象亲和可以通过图划分算法转换为实例分割的掩膜。

关键观点5: 在WIS基准测试上评估性能

新的基准测试WIS用于在WOD上评估实例分割，并在多个数据集上评估了模型的性能。