Die semi-überwachte Video-Objekt-Segmentierung (VOS) hat das Ziel, bestimmte ausgewiesene Objekte in Videos dicht zu verfolgen. Eine der Hauptausforderungen bei dieser Aufgabe ist die Existenz von Hintergrundstörfaktoren, die dem Zielobjekt ähnlich erscheinen. Wir schlagen drei innovative Strategien vor, um solche Störfaktoren zu unterdrücken: 1) ein räumlich-zeitlich diversifiziertes Vorlagenkonstruktionsverfahren zur Gewinnung verallgemeinerter Eigenschaften des Zielobjekts; 2) eine lernfähige Distanz-Bewertungsfunktion, um räumlich entfernte Störfaktoren durch Ausnutzung der zeitlichen Konsistenz zwischen zwei aufeinanderfolgenden Bildern auszuschließen; 3) Swap-and-Attach-Augmentierung, um jedes Objekt durch Bereitstellung von Trainingsbeispielen mit verschlungenen Objekten eindeutige Merkmale zu verleihen. Auf allen öffentlich zugänglichen Benchmark-Datensätzen erreicht unser Modell eine vergleichbare Leistung mit den aktuellen Stand der Technik-Methoden, und zwar sogar in Echtzeit. Qualitative Ergebnisse belegen zudem die Überlegenheit unserer Methode gegenüber bestehenden Ansätzen. Wir sind der Überzeugung, dass unser Ansatz in zukünftigen VOS-Forschungsarbeiten weit verbreitet werden wird.