Kollaborative Videoobjektsegmentierung durch Mehrskalen-Vordergrund-Hintergrund-Integration

Dieses Papier untersucht die Prinzipien des Einbettungslernens zur Bewältigung der anspruchsvollen Aufgabe der halbüberwachten VideoobjektsSegmentierung. Im Gegensatz zu früheren Ansätzen, die sich auf das Einbettungslernen von Vordergrundobjekt(en) konzentrieren, betrachten wir, dass der Hintergrund gleichwertig behandelt werden sollte. Daher schlagen wir einen Ansatz zur kollaborativen Videoobjektssegmentierung durch Integration von Vorder- und Hintergrund (CFBI) vor. CFBI trennt die MerkmalsEinbettung in den Bereich des Vordergrundobjekts und den entsprechenden Hintergrundbereich, was implizit dazu führt, dass sie kontrastreicher werden und die Segmentierungsergebnisse entsprechend verbessert. Darüber hinaus führt CFBI sowohl Pixel-Level-Matching-Prozesse als auch Instanz-Level-Aufmerksamkeitsmechanismen zwischen dem Referenzbild und der vorhergesagten Sequenz durch, wodurch CFBI robust gegenüber verschiedenen Objektgrößen wird. Auf Basis von CFBI stellen wir eine mehrskalige Matchingstruktur vor und schlagen eine dilatierte Matching-Strategie (Atrous Matching) vor, was zu einem robusteren und effizienteren Framework, CFBI+, führt. Wir führen umfangreiche Experimente auf zwei gängigen Benchmarks durch, nämlich DAVIS und YouTube-VOS. Ohne Anwendung von simulierten Daten für das Vortraining erreicht unser CFBI+ eine Leistung (J&F) von 82,9 % und 82,8 %, was alle anderen Standderverfahren übertrifft. Code: https://github.com/z-x-yang/CFBI.