针对实例分割中类别标签噪声问题，提出一种为不同子任务设计不同损失函数的模型，在前景-背景分割中使用交叉熵损失，在前景-实例分割中使用对称损失，并引入对比自监督损失补偿高度噪声下的监督不足，在多个数据集上展示了鲁棒性。
阳隆荣 · 李宏亮 · 孟凡满 · 吴庆波 · Ngan, Kingngi
IEEE Transactions on Circuits and Systems for Video Technology 2023
在前景-背景子任务中使用交叉熵损失可完全利用正确梯度指导，避免噪声类标签干扰背景与前景的区分。
在前景-实例子任务中使用对称损失，既抑制噪声标签的错误梯度，又能保持对难样本的学习能力，避免对称损失通常带来的难样本性能下降。
引入对比自监督损失更新所有前景特征，弥补在高度噪声设置下部分正确标签提供的监督不足。