基于盒状提示的完全遮挡和密集物体实例分割基础模型
内容提要
该文综述多种实例分割方法，包括基于距离变换与残差解卷积的掩码网络、基于盒子的生物图像分割、以核表示实例的ISBNet三维分割、解决重叠问题的OCFusion、边界框监督的深度网络、结合CRF的语义分割系统、用于遮挡边界检测的Attention Loss、利用边界信息的OBG-FCN、处理遮挡的双层卷积网络，以及基于FCN的像素级实例候选方法，这些方法均在相关数据集上表现优异。
延伸解读
从盒状提示到实例分割：技术脉络与关键节点
文章梳理了多种实例分割方法，时间跨度从2016年到2023年。早期工作如基于距离变换和残差解卷积的掩码网络，实现了跨越边界框的对象分割；随后出现基于盒子的生物图像分割、利用边界信息的OBG-FCN等。这些方法逐步从依赖边界框监督转向更精细的边界和遮挡处理，反映了实例分割领域在表示学习和网络结构上的演进。
遮挡与重叠：实例分割的持续挑战
多篇工作专门针对遮挡和重叠问题。例如，OCFusion通过二元关联建模实现非重叠分割；双层卷积网络处理高度重叠物体；Attention Loss结合多任务网络检测遮挡边界。这表明遮挡是实例分割的核心难点之一，研究者从损失函数、网络结构和关联建模等不同角度寻求突破，并分别在COCO、Cityscapes等数据集上验证了有效性。
三维与生物图像：实例分割的跨领域应用
文章不仅涵盖自然图像，还涉及三维点云和生物图像。ISBNet使用核表示和动态卷积进行三维实例分割，在ScanNetV2等数据集上取得最优表现；基于盒子的方法则针对生物图像识别提升准确性。这些跨领域尝试说明实例分割技术正从通用场景向专业领域扩展，不同数据特性催生了针对性的网络设计。
Q&A
基于距离变换的实例分割方法是怎么工作的？
该方法使用距离变换表示对象段，并采用基于残差解卷积结构的对象掩码网络，实现跨越边界框的对象分割，最后整合到多任务网络级联框架中学习最终二进制对象掩码。
ISBNet 在三维实例分割中有什么创新？
ISBNet 使用核来表示实例，并通过动态卷积解码实例掩码，同时预测和利用三维轴对齐的边界框来进一步提高性能，在 ScanNetV2、S3DIS 和 STPLS3D 数据集上取得了最新的最优表现。
OCFusion 如何解决全景分割中的实例重叠问题？
OCFusion 是一种轻量级方法，通过二元关联建模来实现物体实例的非重叠分割，利用现有数据集注释自动推导出的真实关联进行训练，在 COCO 数据集上表现出最先进的效果，并在 Cityscapes 全景分割基准测试中展示了竞争力的结果。
Attention Loss 在遮挡边界检测中有什么作用？
Attention Loss 函数结合多任务深度对象遮挡边界检测网络，采用编码器-解码器结构，通过共享卷积特征同时预测对象边界和遮挡方向，大幅提高了检测速度（每图像 0.037s）并显著超过了之前的最优结果（ODS F 分数分别为 0.702 和 0.555）。
OBG-FCN 如何利用边界信息改进语义分割？
OBG-FCN 是一种全卷积神经网络，能够利用物体边界信息以完成更为精细的语义分割，在 PASCAL VOC 分割基准测试上得到了显著的优化。
基于全卷积网络的实例分割方法如何生成实例候选？
该方法通过像素级分类器计算相对位置和一些敏感的分数映射，然后通过一个简单的组装模块输出每个位置的实例候选，在 PASCAL VOC 和 MS COCO 上具有较好的实例分割性能表现。
