先行研究ではユーザーのクリック点の幾何学的距離だけをフィードバックに使用し，画像情報を利用していなかった。本論文ではsuperpixelやobjectに基づくguidance mapを使用し，さらに画像のスケールも考慮した手法を開発している。

GrabCut, Berkeley, PascalVOC12, MS-COCOの各種datasetにおいて必要クリック数をSoTAモデルより減少させることに成功。またsuperpixel-base, object-baseの情報のそれぞれが性能向上に寄与した。ただし32x32 pixel未満の極小オブジェクトのsegmentationには失敗している。