摘要

深度学习的最新进展在视觉定位任务（如语言引导的视频目标分割）中取得了显著进步。然而，为这些任务收集大规模数据集在标注时间上成本高昂，成为制约发展的瓶颈。为此，我们提出了一种新颖的方法——SynthRef，用于生成图像（或视频帧）中目标对象的合成指代表达（synthetic referring expressions），并首次发布了一个包含合成指代表达的大规模视频目标分割数据集。实验结果表明，仅使用我们生成的合成指代表达进行训练，即可显著提升模型在不同数据集间的泛化能力，且无需额外的标注成本。此外，我们的方法具有通用性，可适用于任意目标检测或分割数据集。