要約
我々は、半教師あり動画オブジェクトセグメンテーションのための効率的な手法を提案する。本手法は、最先端の手法と比較しても競争力のある精度を達成しつつ、他の手法と比べて時間的コストを大幅に削減している。この目的のため、マスク伝播とオブジェクト検出の利点を活かしつつ、両アプローチの欠点を回避するように設計された、深層シアメーズエンコーダ・デコーダネットワークを提案する。本ネットワークは、合成データと実データの両方を活用した二段階の学習プロセスによって学習され、オンライン学習や後処理を一切行わずに堅牢に動作する。本手法の有効性を、単一および複数オブジェクトセグメンテーションをカバーする4つのベンチマークデータセット上で検証した。すべてのベンチマークにおいて、本手法は競合する精度を維持しつつ、実行時間は1桁以上高速であることを示した。さらに、フレームワークの分析と評価を目的とした包括的なアブレーション研究および拡張実験も提供している。