Section 5. 实验结果与讨论上一节根据利用时空特征技术的不同讨论了当前的VOS方法。为了更好地理解这些技术的形成过程，并且进行公平地比较，我们在相同的实验设置下测试了一些有代表性的VOS方法。定量与定性的结果，以及理论分析都有助于为这些方法的给出结论。此外，所有在几个基准数据集上回顾的方法的 ...

用于视频对象分割的深度学习：回顾Gao M, Zheng F, Yu J J Q, et al. Deep learning for video object segmentation: a review[J]. Artificial Intelligence Review, 2023, 56(1) ...

Section 4. 方法Section 4.5. 基于掩膜传播的VOS方法本节讨论了基于掩膜传播的代表性方法。这类方法假定目标对象在整个输入序列中平稳地移动。因此，在前一帧预测的掩膜可以很好地估计目标对象的位置和形状。有了这样的估计，这类方法可以更加关注目标对象最可能出现的区域。与光流方法不同，掩 ...

Section 4. 方法Section 4.4. 基于光流的VOS方法前面几节：Sect.4.1、Sect.4.2和Sect.4.3介绍了VOS方法中经常使用的空间技术。这些技术有利于解决VOS中的几个挑战，如：遮挡、视野外和快速运动。然而，在分割具有外观变化、尺度变化或者仅考虑空间特征不能生成高 ...

Section 4. 方法Section 4.3. 基于图优化的VOS方法直到2021年，大多数现有的VOS方法实现了基于在线精调和特征匹配的空间技术。然而，对于每一帧的分割，这两种技术只建立了同一视频中该帧与数目有限的其他帧之间的对应关系，这不足以处理经历巨大变化的对象。为了解决这个问题，基于图优 ...

Section 4. 方法Section 4.2. 基于特征匹配的VOS方法这种方法通过测量目标帧和参考帧之间的对应关系来执行VOS，参见图9。”目标帧“表示要分割的视频帧，”参考帧“在不同的VOS中具有不同的含义。在SVOS中，”参考帧“由标注的帧和部分/全部的过去帧组成。分割的目标是根 ...

Section 4. 方法Section 4.1. 基于在线精调的VOS方法表3与表4中展示了大多数早期的SVOS方法是通过在线精调实现的。给定标注的对象和一个用于通用对象分割的网络，这种技术使用标注的对象精调网络。采用这种方式，网络可以“记住”标注对象的性质（如: 外观、形状和类别），并且将其输出 ...

Section 4. 方法本节回顾了现有的基于深度学习的SVOS方法和UVOS方法。如Section 1所述，SVOS方法对少数几帧视频（通常是第一帧）中的标注对象进行分割。相比之下，UVOS方法对具有突出的视觉显著性或者运动模式的对象进行分割。为了概括这一讨论，在本文的其余部分，我们将SVOS方法 ...

XMem: 基于Atkinson-Shiffrin记忆模型的长时视频对象分割Cheng H K, Schwing A G. XMem: Long-Term Video Object Segmentation with an Atkinson-Shiffrin Memory Model[C]/ ...

Ch02 背景在Sec2.1中，我们简要地回顾了VOS领域的历史背景。在Sec2.2中，介绍了语义图像分割的主要原理和代表性方法。在Sec2.3中，总结了近期VOS方法的基本架构。图3展示了VOS领域里程碑式的工作。 图3. VOS方法的简要年表，其中2006年至2021年的一些里程碑式的工作被高 ...