摘要
本文研究了嵌入学习的原理，以应对具有挑战性的半监督视频对象分割问题。与以往主要关注前景对象嵌入学习的方法不同，我们认为背景也应得到同等对待。因此，我们提出了一种通过前景-背景集成（Foreground-Background Integration, FB I）实现协作视频对象分割（Collaborative Video Object Segmentation, CFBI）的方法。CFBI 将特征嵌入分为前景对象区域及其对应的背景区域，隐式地促进它们之间的对比度，从而提高分割结果的质量。此外，CFBI 在参考序列和预测序列之间执行像素级匹配过程和实例级注意力机制，使其对各种对象尺度具有鲁棒性。基于 CFBI，我们引入了多尺度匹配结构，并提出了一种空洞匹配策略（Atrous Matching），从而构建了一个更加鲁棒和高效的框架——CFBI+。我们在两个流行的基准数据集 DAVIS 和 YouTube-VOS 上进行了广泛的实验。在不使用任何模拟数据进行预训练的情况下，我们的 CFBI+ 实现了 82.9% 和 82.8% 的性能（J&F），超过了所有其他最先进的方法。代码：https://github.com/z-x-yang/CFBI。