摘要

视频对象分割（VOS）是一个极具挑战性的问题，因为目标对象仅在推理过程中通过给定的第一帧参考掩模来定义。如何捕捉并利用这一有限的目标信息仍然是一个基本的研究问题。为了解决这一问题，我们引入了一种端到端可训练的VOS架构，该架构集成了一个可微分的少样本学习模块。这个内部学习器旨在通过最小化第一帧中的分割误差来预测目标的强大参数模型。我们进一步超越了标准的少样本学习技术，通过学习少样本学习器应该学习的内容来实现这一点。这使得我们能够在当前帧中获得目标的丰富内部表示，显著提高了我们的方法的分割精度。我们在多个基准数据集上进行了广泛的实验。我们的方法在大规模YouTube-VOS 2018数据集上取得了81.5的整体评分，相对于之前的最佳结果实现了2.6%的相对改进。