【CVPR2022】ContrastMask:对比学习来分割各种

部分监督实例分割是一种通过学习有限的可见类别并使用带注释的遮罩将对象从新的不可见类别中分割出来的任务，从而消除了繁重的注释负担。解决这一问题的关键是建立一个有效的类不可知掩码分割模型。与以往只在可见类别上学习此类模型的方法不同，在本文中，我们提出了一种新的方法，名为ContrastMask，它在统一的像素级对比学习框架下，对可见和不可见类别学习掩码分割模型。这个框架，带注释的可见类别的遮罩和不可见类别的伪遮罩作为对比学习的前提，来自掩膜区域(前景)的特征被拉到一起，并与来自背景的特征进行对比，反之亦然。通过该框架，大大提高了前景和背景的特征识别能力，便于学习与类别无关的遮罩分割模型。在COCO数据集上的详尽实验证明了我们的方法的优越性，它优于以前的技术水平。

https://www.zhuanzhi.ai/paper/53d464cd084b1713b9d2377fb1ea5703