FAMINet：利用最速优化光流学习实时半监督视频目标分割
计算机视觉与模式识别
2021-11-23 v1
摘要
半监督视频目标分割（VOS）旨在分割视频序列中少数运动对象，这些对象由第一帧的标注指定。现有许多半监督VOS方法考虑使用光流以提高分割精度。然而，基于光流的半监督VOS方法由于光流估计的高复杂度而无法实时运行。本研究提出FAMINet，由特征提取网络（F）、外观网络（A）、运动网络（M）和整合网络（I）组成，以解决上述问题。外观网络基于对象的静态外观输出初始分割结果。运动网络通过极少参数估计光流，这些参数由一种名为松弛最速下降的在线记忆算法快速优化。整合网络利用光流细化初始分割结果。大量实验表明，FAMINet在DAVIS和YouTube-VOS基准上优于其他最先进的半监督VOS方法，并在精度与效率间取得良好权衡。我们的代码见 https://github.com/liuziyang123/FAMINet。
引用
@article{arxiv.2111.10531,
title = {FAMINet: Learning Real-time Semi-supervised Video Object Segmentation with Steepest Optimized Optical Flow},
author = {Ziyang Liu and Jingmeng Liu and Weihai Chen and Xingming Wu and Zhengguo Li},
journal= {arXiv preprint arXiv:2111.10531},
year = {2021}
}
备注
Accepted by TIM (IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT)