摘要
尽管在线学习（OL）技术提高了半监督视频对象分割（VOS）方法的性能，但其巨大的时间成本极大地限制了这些方法的实际应用。基于匹配和基于传播的方法通过避免使用OL技术而实现了更快的速度，然而，由于匹配错误和漂移问题，它们的精度受到了限制。在本文中，我们开发了一种实时且非常准确的排序注意力网络（RANet）用于VOS。具体而言，为了整合基于匹配和基于传播方法的优势，我们采用编码器-解码器框架以端到端的方式学习像素级相似性和分割。为了更好地利用相似性图，我们提出了一种新颖的排序注意力模块，该模块能够自动对这些图进行排序和选择，从而实现细粒度的VOS性能提升。在DAVIS-16和DAVIS-17数据集上的实验表明，我们的RANet在速度和精度之间达到了最佳平衡，例如，在DAVIS-16上每帧仅需33毫秒且J&F指标达到85.5%。结合OL技术后，我们的RANet在DAVIS-16上的J&F指标达到了87.1%，超过了现有的最先进VOS方法。代码可在https://github.com/Storife/RANet 获取。