Wir stellen einen neuen, auf Matching basierenden Rahmen für semi-supervised Video-Object-Segmentation (VOS) vor. In jüngster Zeit wurden state-of-the-art Ergebnisse in der VOS durch Matching-basierte Algorithmen erzielt, bei denen Feature-Banken erstellt werden, um Merkmale für die Regionen-Übereinstimmung und Klassifikation zu speichern. Allerdings bleibt die effektive Organisation der Informationen in der kontinuierlich wachsenden Feature-Bank bisher wenig erforscht, was zu einer ineffizienten Gestaltung der Bank führt. Wir führen ein adaptives Update-Verfahren für die Feature-Bank ein, das es ermöglicht, neue Merkmale dynamisch aufzunehmen und veraltete Merkmale abzulehnen. Zudem entwickeln wir eine neue Vertrauensverlustfunktion sowie ein feinabgestimmtes Segmentierungsmodul, um die Segmentierungsgenauigkeit in unsicheren Regionen zu verbessern. Auf öffentlichen Benchmarks übertrifft unser Algorithmus bestehende State-of-the-Art-Verfahren.