判别式时空-语义视频对象分割方案：第 6 届 LSVOS 赛事获奖方案

视频对象分割（VOS）是计算机视觉中的关键任务，但当前的 VOS 方法在处理复杂场景和持续的物体运动方面存在挑战。为此目的，MOSE 数据集旨在增强对象在复杂环境中的识别和区分能力，而 LVOS 数据集则聚焦于分割表现出长期、复杂运动的物体。本报告介绍了一种判别式时空 VOS 模型，该模型利用判别式物体特征作为查询表示。语义理解的时空-语义模块使其能够识别物体的不同部分，而显著特征则突出显示更具辨识度的物体特征。我们的模型在大规模 VOS 数据集上进行训练，在 VOS 轨道的第 6 届 LSVOS 赛事测试集上取得了第一名成绩（$\mathcal{J \& F}$ 为 80.90%），展示了其应对上述挑战的有效性。该代码将在 \href{https://github.com/yahooo-m/VOS-Solution}{code} 公开。