摘要
在本项工作中，我们提出了一种新颖的无监督视频对象分割方法，能够自动为显著性对象生成实例级别的分割掩码，并在视频序列中实现持续跟踪。该方法有效解决了现有方法在时间传播、目标跟踪以及新对象引入过程中普遍存在的漂移问题。为此，我们提出了一种创新思路：通过集成多种评估准则，在线动态优化分割掩码质量。我们进一步引入了一种名为Selector Net的新型神经网络，用于评估掩码质量。该网络经过特殊训练，具备跨不同数据集的泛化能力。所提出的方法能够有效抑制视频序列中累积的噪声，最终在DAVIS 2019无监督挑战数据集上取得了当前最优的性能，平均交并比（J&F mean）达到61.6%。此外，我们在FBMS和SegTrack V2等数据集上也进行了测试，结果表现优于或至少与现有方法相当。