摘要实例分割需要使用多边形掩码精确勾勒图像中的物体边界。传统的单一尺度标注通常无法表示多尺度外观变化，这限制了分割精度，并减少了学习算法可用的语义丰富度。我们提出了小 - 中 - 大实例分割（SML-IS）标注，这是一种多尺度多边形标注策略，为同一图像中的每个实例提供三种不同

　　实例分割需要使用多边形掩码精确勾勒图像中的物体边界。传统的单一尺度标注通常无法表示多尺度外观变化，这限制了分割精度，并减少了学习算法可用的语义丰富度。我们提出了小 - 中 - 大实例分割（SML-IS）标注，这是一种多尺度多边形标注策略，为同一图像中的每个实例提供三种不同的标注尺度。与其分配单一掩码，SML-IS 复制每张图像并为每个实例应用小、中、大掩码，从而在不改变原始图像的情况下使分割掩码数量变为三倍。与修改原始图像的数据增强方法不同，SML-IS 仅丰富监督信息，在不改变数据集大小的情况下提高标签质量和尺度多样性。在自定义数据集上，无论架构范式如何，SML-IS 都在 Mask R-CNN 和 YOLOv7-seg 等代表性模型中一致地将平均精度均值（mAP）提高了约 5–6%。为了进行特定领域的验证，该方法被进一步应用于 Kvasir-SEG 结直肠息肉分割数据集，其中 SML-IS 展示了 7% 的 mAP 增益，证实了其在医学成像应用中的鲁棒性和有效性。尽管已在医学领域得到验证，该方法仍然广泛适用于其他视觉领域，如农业、自动驾驶和工业检测，在这些领域中，精确的边界划分和高质量标注至关重要，但大规模数据收集受到限制。