基于提议-约简范式的视频实例分割

视频实例分割（VIS）旨在对视频中每一帧预定义类别的所有实例进行分割和关联。先前的方法通常先获取单帧或视频片段的分割结果，然后通过跟踪或匹配合并这些不完整的结果。这些方法可能会在合并步骤中导致误差累积。相反，我们提出了一种新的范式——提议-约简（Propose-Reduce），通过单一步骤为输入视频生成完整的序列。我们进一步在现有的图像级实例分割网络上构建了一个序列传播头，用于长期传播。为了确保我们所提框架的鲁棒性和高召回率，系统会提出多个序列，并对同一实例的冗余序列进行约简。我们在两个代表性基准数据集上取得了最先进的性能——在 YouTube-VIS 验证集上获得了 47.6% 的 AP，在 DAVIS-UVOS 验证集上获得了 70.4 % 的 J&F。