摘要

我们提出了一种用于交互式视频对象分割的深度学习方法。该方法基于两个核心操作：交互和传播，每个操作均由卷积神经网络（Convolutional Neural Networks, CNN）执行。这两个网络在内部和外部均相互连接，使得它们可以联合训练并互相协作以解决复杂的视频对象分割问题。我们提出了一种新的多轮训练方案，以便网络能够在训练过程中学习如何理解用户的意图并更新错误的估计结果。在测试阶段，我们的方法不仅能够生成高质量的结果，而且运行速度足够快，可以实现与用户的实时交互。我们在DAVIS Challenge 2018的交互式赛道基准上对所提出的方法进行了定量评估。结果显示，无论是在速度还是准确性方面，我们的方法都显著优于其他竞争方法。此外，我们还证明了该方法在实际用户交互中表现良好。