题目：Split-GCN: Effective Interactive Annotation for Segmentation of Disconnected Instance
Split-GCN：用于分割不连续实例的有效交互式标注
作者：Namgil Kim; Barom Kang; Yeonok Cho
摘要
人工标注物体边界需要高昂的成本。最近，基于多边形的交互式注释方法已经显示出成功的性能。然而，鉴于连接的顶点拓扑结构，这些方法在预测物体中断开的组件方面存在困难。本文介绍了Split-GCN，这是一种基于多边形方法和自注意力机制的新颖架构。通过提供方向信息，Split-GCN使多边形的顶点能够更精确地移动到物体边界。我们的模型通过转换初始拓扑结构，并使用关于顶点依赖性的上下文交换，成功预测了物体的断开组件。Split-GCN在Cityscapes数据集上展示了与最先进模型相媲美的性能，并且在基线模型上甚至表现更好。在四个跨域数据集上，我们确认了我们模型的泛化能力。
关键词
计算机视觉，人类交互式学习，分割&#x