摘要

无监督视频对象分割旨在对视频序列中最显著的对象进行分割。然而，复杂背景和多个前景对象的存在使得这一任务极具挑战性。为了解决这一问题，我们提出了一种引导槽注意力网络，以增强空间结构信息并获得更好的前景-背景分离效果。该网络通过查询引导初始化前景和背景槽，并基于与模板信息的交互迭代地优化这些槽。此外，为了改进槽-模板交互并有效融合目标帧和参考帧中的全局和局部特征，引入了K近邻过滤（K-nearest neighbors filtering）和特征聚合变换器（feature aggregation transformer）。所提出的模型在两个流行数据集上实现了最先进的性能。另外，我们通过各种对比实验展示了所提模型在复杂场景中的鲁棒性。