ガイデッドスロットアテンションを用いた教師なしビデオオブジェクトセグメンテーション

非監督ビデオオブジェクトセグメンテーションは、ビデオシーケンス内の最も目立つオブジェクトをセグメントすることを目指しています。しかし、複雑な背景や複数の前景オブジェクトの存在がこのタスクを難しくしています。本研究では、空間構造情報を強化し、より良い前景・背景分離を実現するため、ガイデッドスロットアテンションネットワークを提案します。前景と背景のスロットはクエリガイダンスで初期化され、テンプレート情報との相互作用に基づいて反復的に改良されます。さらに、スロットとテンプレートの相互作用を改善し、対象フレームと参照フレームにおける全局的および局所的な特徴量を効果的に融合するために、K-最近傍フィルタリングと特徴量集約トランスフォーマーが導入されています。提案されたモデルは、2つの人気データセットにおいて最先端の性能を達成しました。また、様々な比較実験を通じて、提案モデルが困難なシーンでも堅牢性を持つことを示しています。