Adaptive Object Calibration을 활용한鲁棒视频对象分割 Toward Robust Video Object Segmentation with Adaptive Object Calibration 注：在翻译成韩文时，“鲁棒”通常翻译为“강건”或“로버스트”，根据上下文和期刊风格选择合适的词汇。以下是更正后的翻译： Adaptive Object Calibration을 활용한 로버스트 비디오 객체 분할

비디오 시대의 성장과 함께, 비디오 세그멘테이션은 멀티미디어 커뮤니티에서 점점 더 많은 연구 관심을 받고 있습니다. 반監督 비디오 객체 세그멘테이션(VOS)은 참조 프레임의 주석된 객체 마스크가 주어졌을 때, 비디오의 모든 타겟 프레임에서 객체를 세그멘테이션하는 것을 목표로 합니다. 기존의 대부분 방법들은 픽셀 단위로 참조-타겟 상관관계를 구축한 후, 픽셀 단위 추적을 수행하여 타겟 마스크를 얻습니다. 그러나 객체 수준의 힌트를 무시하기 때문에, 픽셀 수준 접근 방식은 섭동에 취약하며 심지어 유사한 객체들 사이에서도 구분하지 못하는 경우가 있습니다.강건한 VOS를 위해, 핵심적인 통찰력은 각 특정 객체의 표현과 마스크를 표현력 있고 구별력을 갖도록 교정하는 것입니다. 이에 따라, 우리는 강건성을 높일 수 있는 새로운 딥 네트워크를 제안합니다. 이 네트워크는 적응형 객체 프록시(AOP) 집계 방법을 적용하여 객체 표현을 구성하고, AOP 기반으로 참조-타겟 상관관계에서 프로토타입 마스크를 초기 생성합니다. 그런 다음 이러한 프로토마스크는 객체 프록시 표현에 조건부로 네트워크 모듈레이션을 통해 추가적으로 교정됩니다. 우리는 이 조건부 마스크 교정 과정을 점진적으로 강화하여, 객체 표현과 프로토마스크가 반복적으로 구별력을 갖도록 진화하도록 합니다.우리는 YouTube-VOS-18/19와 DAVIS-17 표준 VOS 벤치마크에서 광범위한 실험을 수행했습니다. 우리의 모델은 기존 출판된 연구들 중 최고의 성능을 달성하였으며, 섭동에 대한 우수한 강건성도 보여주었습니다. 본 프로젝트의 저장소는 https://github.com/JerryX1110/Robust-Video-Object-Segmentation 에서 확인할 수 있습니다.注：在翻译中，“半監督”被误输入为“半监督”，正确的翻译应为“반감독”。但考虑到上下文中的专业术语一致性，这里直接使用了“반監督”。如果需要更正，请告知。