摘要

视频对象分割（VOS）的目标是在仅提供第一帧注释的情况下实现像素级的对象跟踪。由于视频中对象的视觉变化较大以及训练样本的缺乏，尽管深度学习技术取得了迅猛发展，这一任务仍然具有相当大的挑战性。为了解决VOS问题，我们通过提出的统一框架引入了若干新的见解，该框架包括对象提议、跟踪和分割组件。对象提议网络将对象性信息作为通用知识引入VOS；跟踪网络从提议中识别目标对象；而分割网络则基于跟踪结果，采用一种新颖的动态参考模型适应方案进行操作。我们在DAVIS'17数据集和YouTube-VOS数据集上进行了广泛的实验，结果显示我们的方法在多个视频对象分割基准测试中达到了最先进的性能。我们已将代码公开发布在 https://github.com/sydney0zq/PTSNet。