将实例作为查询进行跟踪

近来，基于查询的深度网络因其在目标检测、语义分割与实例分割等多项基础计算机视觉任务上的端到端流程与有竞争力结果而备受关注。然而，如何建立架构优雅且性能强劲的基于查询的视频实例分割（VIS）框架仍有待解决。本文提出\textbf{QueryTrack}（即把实例作为查询进行跟踪），一种统一的基于查询的VIS框架，充分借助QueryInst中实例与查询之间内在的一一对应关系。所提方法在YouTube-VIS-2019 / 2021数据集上取得52.7 / 52.3 AP，凭借单一在线端到端模型、单尺度测试与适量训练数据在CVPR 2021的YouTube-VIS挑战赛中获第二名。我们还提供QueryTrack-ResNet-50在YouTube-VIS-2021验证集上的基线结果，作为VIS社区的参考。