要約
多くの動画オブジェクトセグメンテーション手法は、オブジェクトを個別に処理する。複数のオブジェクトが存在する場合、このアプローチは高い計算コストを伴う。本論文では、インスタンスに依存しないモジュールとインスタンスに依存するモジュールを用いて、1回の順伝播（feed-forward path）で複数のオブジェクトを同時にセグメンテーションするAGSS-VOSを提案する。2つのモジュールからの情報は、アテンション誘導型デコーダを介して統合され、1つのパス内ですべてのオブジェクトインスタンスを同時にセグメンテーションする。全体のフレームワークはエンドツーエンド学習可能であり、インスタンスIoU損失を用いる。YouTube-VOSおよびDAVIS-2017データセットにおける実験結果から、AGSS-VOSが精度と効率の両面で競争力のある性能を達成することが示された。