图像分割是计算机视觉领域的一个重要研究方向,相比于目标检测具有更高的复杂度,分割要求对图像做像素级的分类,这无论是对模型复杂度还是数据规模都提出了更高的需求。本文同时从模型和数据入手,重点解决实例分割中掩膜表示复杂度高和语义分割数据标注成本高的问题。在模型层面上,如何以更低的代价准确预测掩膜一直是设计实例分割模型时的一个关键问题。近年来,一些实例分割框架采用低维信息表示实例掩膜,如掩膜的轮廓点集或压缩信息。然而这些方法效果往往不够理想且只能应用在特定的模型中,为解决这一问题,本文构建了新的掩膜表示方案并将其应用到实例分割模型中。在数据层面上,图像分割标签的标注复杂度远远高于分类和检测,获得大规模标注数据的时间成本和资金消耗非常高。针对此问题本文也给出了一套解决方案。本文的主要内容如下:首先,本文提出了一种新的掩膜压缩表示方法并基于其构建了一个实例分割模型。我们用三个被记为表征单元的低维压缩向量表示掩膜,表征单元由网络直接预测得到,并由一个无参解码器组装为预测掩膜,这个过程不依赖于任何先验信息且只引入很小的计算开销。基于这种表示方法,本文提出了一个高效的单阶段实例分割模型——CRMask。CRMask可以被视为编码器-解码器架构,编码器部分负责从输入图像中提取特征生成表征单元,解码器部分通过非线性解码利用表征单元重建掩膜。相对于其他的单阶段实例分割模型,CRMask在保证时间开销基本相同的情况下能获得更好的性能。其次,本文将我们的掩膜表示方法嵌入到其他实例分割模型中。不依赖于任何先验信息的特点使得我们的表示方法能够嵌入到任何具有编码器结构的网络中,本文中我们将其嵌入到BlendMask的顶层分支中,遵循最小改动原则,表征单元由回归分支预测得到并由解码器重建为注意力图,这种改进的BlendMask在本文中被叫做BlendMask++。相对于前者,BlendMask++的推理速度更快,且能实现1.5%掩膜平均精度的提升,这些实验证明了该表示方法的通用性。此外,这种表示方法还可以被应用到更多的模型中,我们对此做了进一步的分析。最后,面向视频流数据,本文采用人工部分标注后机器自动标注的方案,构建了一个图像语义标签的自动标注系统。本系统可以分为两个部分,第一个部分通过自监督光流模型和有监督语义分割模型将有标注标签分别向前和向后传播获得伪标签,第二个部分通过去噪模型对每一张伪标签做细化后的结果即可作为自动标注的标签。