本文介绍了 2017 年 DAVIS 视频物体分割挑战赛，该挑战赛是一个公共数据集，评测方法和比赛，它是为了特别针对视频物体分割任务而设计的，挑战赛遵循其他成功首创的做法，如 ILSVRC 和 PASCAL VOC，DAVIS 挑战赛包括数据集、评估方法和与 CVPR 2017 同地举办的独立工作坊，本文还描述了该基准测试的范围、数据集的主要特征、竞赛的评价指标，并对参赛者的结果进行了详细分析。

Apr, 2017

本文介绍了 2019 年 DAVIS 挑战赛关于视频对象分割的任务，其中包括原始半监督轨迹、交互轨迹，以及新的无人监督多对象轨迹。同时，为了促进无人监督的轨迹，DAVIS 2017 训练、验证集重新标注，并为比赛创建了新的测试集，无人监督轨迹的定义、规则和评估指标在本文中详细描述。

May, 2019

通过结合基于类别的目标检测、类别独立的目标外观分割和时间上的目标追踪等方法，通过训练全卷积网络对视频中的特定对象外观进行独立的分割，再引入对检测框时间上的连续性约束，从而实现半监督视频目标分割。

Jul, 2017

该研究提出了一种基于匹配的视频目标分割算法，在不需要 fine-tuning 的情况下实现了实时性和较短的计算时间。

Sep, 2018

本文提出了一个简单而有效的解决方案，通过分析数据集分布、引入公共静态和视频分割数据集增补数据集，改进了三种不同特性的网络结构并训练多个网络去学习视频中物体的不同特性，通过简单的整合和精细的后处理确保精准的视频对象分割。在 Youtube-VOS 数据集上的广泛实验表明，该解决方案达到了 86.1% 的整体分数，是 Youtube-VOS Challenge 2022 中视频对象分割轨迹第五名的最新技术水平。

Jun, 2022

该研究介绍了一种针对视频中不同程度遮挡物的识别方法，其中包括了一个大规模的数据集，这个数据集包括 296k 个高质量实例遮罩和 901 个遮挡场景。在这个数据集上，所有基线方法都遇到了重大的性能下降约 80％的问题，从而证明了系统仍然有很长的路要走才能真正理解受遮挡的对象和视频。

Nov, 2021

该论文综述了在视频分割中使用的深度学习算法，其中包括了对象分割和语义分割，同时提供了这两种方法和数据集的详细概述，以及在几个知名数据集上的性能评估和未来研究的机会。

Jul, 2021

本研究探讨了如何通过引入语义先验来指导外观模型，从而解决半监督视频对象分割的问题，并提出了半监督视频对象分割（SGV）方法，该方法能够在每帧半秒钟的时间内，在两个不同的数据集上使用各种评估指标，比以前的最新技术取得更好的结果。

Apr, 2017

本文提出一种基于神经网络的半监督视频目标分割技术，能够在保证处理速度的前提下提升目标分割的效果。

Nov, 2016

本文研究了严格无监督视频对象分割的问题，利用一种 John Tukey 启发式的 ' 异常度量 ' 方法从低级别的视觉数据中找到前景对象以及估计每个数据来源的可靠性。在各种视频特性变化的情况下，该方法取得了在 DAVIS 数据集上的最先进结果，并使用 Tukey-inspired 的方法对多种分割方法进行联合，其中包括使用训练，运行时或两者的监督的分割方法，这种方法相对更加稳健，将分割方法的 Jaccard 度量提高了高达 28％。

Nov, 2018