[1] YANG L J, FAN Y C, XU N. Video instance segmentation[C], 5187-5196(2019).

[2] [2] 毛琳， 任凤至， 杨大伟， 等. 实例特征深度链式学习全景分割网络［J］. 光学 精密工程， 2020， 28（12）：2665-2673. doi: 10.37188/ope.20202812.2665MAOL， RENF ZH， YANGD W， et al. INFNet： Deep instance feature chain learning network for panoptic segmentation［J］. Opt. Precision Eng.， 2020， 28（12）：2665-2673. （in Chinese）. doi: 10.37188/ope.20202812.2665

[3] [3] 梁新宇， 林洗坤， 权冀川， 等. 基于深度学习的图像实例分割技术研究进展［J］. 电子学报， 2020， 48（12）： 2476-2486. doi: 10.3969/j.issn.0372-2112.2020.12.025LIANGX Y， LINX K， QUANJ CH， et al. Research on the progress of image instance segmentation based on deep learning［J］. Acta Electronica Sinica， 2020， 48（12）： 2476-2486.（in Chinese）. doi: 10.3969/j.issn.0372-2112.2020.12.025

[4] [4] 曹天扬，蔡浩原，方东明，等. 结合图像内容匹配的机器人视觉导航定位与全局地图构建系统［J］. 光学 精密工程，2017，25（8）：2221-2232. doi: 10.3788/ope.20172508.2221CAOT Y， CAIH Y， FANGD M， et al. Robot vision system for keyframe global map establishment and robot localization based on graphic content matching ［J］. Opt. Precision Eng.， 2017，25（8）： 2221-2232. （in Chinese）. doi: 10.3788/ope.20172508.2221

[5] [5] 钱夔， 宋爱国. 一种改进型机器人仿生认知神经网络［J］. 电子学报， 2015， 43（6）：1084-1089. doi: 10.3969/j.issn.0372-2112.2015.06.007QIANK， SONGA G. An improved bionic cognitive neural network for robot［J］. Acta Electronica Sinica， 2015， 43（6）：1084-1089.（in Chinese）. doi: 10.3969/j.issn.0372-2112.2015.06.007

[6] [6] 伍锡如， 薛其威. 基于激光雷达的无人驾驶系统三维车辆检测［J］. 光学 精密工程， 2022， 30（4）： 489-497. doi: 10.37188/OPE.20223004.0489WUX R， XUEQ W. 3D vehicle detection for unmanned driving systerm based on lidar［J］. Opt. Precision Eng.， 2022， 30（4）： 489-497.（in Chinese）. doi: 10.37188/OPE.20223004.0489

[7] [7] 秦飞巍， 沈希乐， 彭勇， 等. 无人驾驶中的场景实时语义分割方法［J］. 计算机辅助设计与图形学学报， 2021， 33（7）：1026-1037. doi: 10.3724/SP.J.1089.2021.18631QINF W， SHENX Y， PENGY， et al. A real-time semantic segmentation approach for autonomous driving scenes［J］. Journal of Computer-Aided Design & Computer Graphics， 2021， 33（7）：1026-1037.（in Chinese）. doi: 10.3724/SP.J.1089.2021.18631

[8] [8] 李淑慧， 邓志红， 冯肖雪， 等. 强杂波背景下基于变分贝叶斯推理的机载雷达目标跟踪算法［J］. 电子学报， 2022， 50（5）： 1089-1097. doi: 10.12263/DZXB.20210374LISH H， DENGZH H， FENGX X， et al. Variational Bayesian Inference？ Based airborne radar target tracking algorithm in strong clutter［J］. Acta Electronica Sinica， 2022， 50（5）： 1089-1097. （in Chinese）. doi: 10.12263/DZXB.20210374

[9] [9] 王树亮， 毕大平， 阮怀林， 等. 基于信息熵准则的认知雷达机动目标跟踪算法［J］. 电子学报， 2019， 47（6）： 1277-1284. doi: 10.3969/j.issn.0372-2112.2019.06.014WANGSH L， BID P， RUANH L， et al. Cognitive radar maneuvering target tracking algorithm based on information entropy criterion［J］. Acta Electronica Sinica， 2019， 47（6）： 1277-1284.（in Chinese）. doi: 10.3969/j.issn.0372-2112.2019.06.014

[10] KHOREVA A, BENENSON R, HOSANG J et al. Simple does it： weakly supervised instance and semantic segmentation[C], 1665-1674(2017).

[11] [11] 任冬伟， 王旗龙， 魏云超， 等. 视觉弱监督学习研究进展［J］. 中国图象图形学报， 2022， 27（6）： 1768-1798. doi: 10.11834/jig.220178REND W， WANGQ L， WEIY CH， et al. Progress in weakly supervised learning for visual understanding［J］. Journal of Image and Graphics， 2022， 27（6）： 1768-1798.（in Chinese）. doi: 10.11834/jig.220178

[12] LIU Q, RAMANATHAN V, MAHAJAN D et al. Weakly supervised instance segmentation for videos with temporal mask consistency[C], 13963-13973(2021).

[13] CHO S, KWAK S. Weakly supervised learning of instance segmentation with inter-pixel relations[C], 2204-2213(2020).

[14] IKEDA J, MORI J. Weakly supervised instance segmentation using motion information via optical flow[J]. arXiv preprint.

[15] TIAN Z, SHEN C H, WANG X L et al. BoxInst： high-performance instance segmentation with box annotations[C], 5439-5448(2021).

[16] MANINIS K K, PONT-TUSET J, ARBELÁEZ P et al. Convolutional oriented boundaries： from image segmentation to high-level tasks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40, 819-833(2018).

[17] HSU CC, HSU KJ, TSAI CC et al. Weakly supervised instance segmentation using the bounding box tightness prior[J]. Advances in Neural Information Processing Systems, 32, 6586-6597(2019).

[18] HE K M, GKIOXARI G, DOLLÁR P et al. Mask R-CNN[C], 2980-2988(2017).

[19] TIAN Z, SHEN C H, CHEN H. Conditional Convolutions for Instance Segmentation[M]. Computer Vision - ECCV 2020, 282-298(2020).

[20] BOLYA D, ZHOU C, XIAO F Y et al. YOLACT： real-time instance segmentation[C], 9156-9165(2019).

[21] CAO J L, ANWER R M, CHOLAKKAL H et al. SipMask： Spatial Information Preservation for Fast Image and Video Instance Segmentation[M]. Computer Vision - ECCV 2020, 1-18(2020).

[22] LI M H, LI S, LI L D et al. Spatial feature calibration and temporal fusion for effective one-stage video instance segmentation[C], 11210-11219(2021).

[23] YANG S S, FANG Y X, WANG X G et al. Crossover learning for fast online video instance segmentation[C], 8023-8032(2022).

[24] HE K M, ZHANG X Y, REN S Q et al. Deep residual learning for image recognition[C], 770-778(2016).

[25] LIN T Y, DOLLÁR P, GIRSHICK R et al. Feature pyramid networks for object detection[C], 936-944(2017).

[26] SUN K, XIAO B, LIU D et al. Deep high-resolution representation learning for human pose estimation[C], 5686-5696(2020).

[27] YANG B, BENDER G, LE Q V et al. CondConv： Conditionally Parameterized Convolutions for Efficient Inference[webpage]. arXiv, 1904-04971(2019). https：//arxiv.org/abs/1904.04971

[28] MILLETARI F, NAVAB N, AHMADI S A. V-net： fully convolutional neural networks for volumetric medical image segmentation[C], 565-571(2016).

[29] YU F, KOLTUN V. Multi-scale Context Aggregation by Dilated Convolutions[webpage]. arXiv, 1511-07122(2015). https：//arxiv.org/abs/1511.07122