受近期深度学习在实例分割和目标跟踪方面取得的进展启发，我们引入了视频对象分割问题作为引导实例分割的概念。我们的模型以逐帧的方式进行处理，由前一帧的输出引导，指向下一帧中的感兴趣对象。我们证明了仅使用静态图像训练的卷积神经网络（convnet）可以实现视频中高精度的对象分割。我们方法的关键在于离线和在线学习策略的结合，前者用于从前一帧估计结果中生成更精细的掩模，后者则允许捕捉特定对象实例的外观特征。我们的方法可以处理不同类型的输入注释：边界框和分割区域，同时还可以整合多个已标注的帧，使得该系统适用于多种应用场景。我们在三个不同的数据集上获得了具有竞争力的结果，这些结果独立于输入注释的类型。