摘要
图像级类标签为监督的实例分割学习新方法
生成训练图像的伪实例分割标签，用于训练一个全监督模型
对于生成伪标签，首先从图像分类模型的注意图中识别出对象类的可信种子区域，并传播它们以发现具有精确边界的整个实例区域。
为此，我们提出了IRNet，估计单个实例的粗略区域，并检测不同对象类之间的边界。
因此，它能够为种子分配实例标签，并在边界内传播它们，以便能够准确地估计实例的整个区域。
此外，IRNet使用注意图上的像素间关系进行训练，因此不需要额外的监督
IRNET
网络结构：采用backbone为resnet50
边框图由各层级组成
从CAM中挖掘信息
通过CAM来预测像素信息
M为类别注意力图
i，j为像素对
位移场
两个像素点是否属于同一实列
这里还没有特别看懂，感觉大概意思是学习两个像素点之间的位置信息
前景损失函数：
背景损失函数：
边界探测
关键假设：类边界存在于具有不同伪类标签的一对像素之间
通过最小化二元affinity标签的独热向量与预测的affinity之间的交叉熵来学习affinity：
将CAMs与类不可知实例映射结合起来：
每个按实例划分的CAM都是通过将其注意力分数传播到相关区域来单独细化的。其中，传播采用随机游走，其转移概率矩阵由语义亲和矩阵A = [aij]∈Rwh×wh导出：
