Refer-YouTube-VOS は、Youtube-VOS データ セットに基づいた最初のビデオ セグメンテーション データ セットで、ビデオ + キャプションを通じてセグメンテーションを実行します。このデータセットはビデオから一意のオブジェクトを識別し、各ターゲット オブジェクトには 2 つの方法で注釈が付けられます。