MDQE：困難な動画における遮蔽されたインスタンスをセグメントするための判別的クエリ埋め込みのマイニング

顕著な進展が達成されてきた一方で、クリップ単位の入力を用いる動画インスタンスセグメンテーション（VIS）手法は、オブジェクトの遮蔽や混雑したシーンを含む困難な動画においてはしばしば性能を発揮できない。これは、これらの手法におけるインスタンスクエリがインスタンスの判別性のある埋め込みを適切に表現できていないためであり、クエリベースのセグメンテーション器が「困難な」インスタンスを正確に区別することが難しくなっていることが主な要因である。こうした課題に対処するため、本研究では、困難な動画における遮蔽されたインスタンスをセグメンテーションするための判別性クエリ埋め込みのマイニング（MDQE）を提案する。まず、空間的文脈情報およびフレーム間のオブジェクト運動を考慮して、オブジェクトクエリの位置埋め込みとコンテンツ特徴を初期化する。次に、各インスタンスが近接する非対象インスタンスから離れるように促す「インスタンス間マスク反発損失（inter-instance mask repulsion loss）」を提案する。提案手法MDQEは、クリップ単位の入力を用いるVIS手法として、困難な動画において最先端の性能を達成した初めての手法であり、シンプルな動画においても競争力のある性能を示す。具体的には、ResNet50を用いたMDQEは、OVISにおいて33.0%、YouTube-VIS 2021において44.5%のマスクAPを達成した。MDQEの実装コードは、\url{https://github.com/MinghanLi/MDQE_CVPR2023}にて公開されている。