本文提出了一种新的无监督在线视频目标分割框架，通过结合运动属性以便于分割出区分明显的移动部分，并利用显著性动态检测和物体提议等研究方法设计出像素级的融合策略，实现对在不同帧之间的目标传播和运动检测的稳健性处理，最终在多个基准数据集上实现了比先前算法更高的绝对增益。

Oct, 2018

本研究提出了一种基于轨迹分组和决策森林的算法，名为 UnOVOST，用于解决无监督的视频对象分割和跟踪问题，并在 DAVIS 2017 Unsupervised 数据集上达到了最先进性能。

Jan, 2020

本文提出了一种名为 SimulFlow 的新型无监督视频目标分割模型，它同时进行特征提取和目标识别，实现高效和有效的无监督视频目标分割，通过利用灵活的注意力机制来融合图像和运动信息，减少了计算复杂性和融合难度，并在多个基准数据集上取得了领先的性能。

Nov, 2023

本文介绍了一种半监督视频目标分割方法，它使用了基于一阶段学习的预训练神经网络，结合在线训练和预训练步骤，显著提高了在 DAVIS 数据集上的分割性能。

Jun, 2017

无监督视频对象分割是一项旨在在没有关于对象的外部指导的情况下检测视频中最显著的对象的任务。为了充分利用显著对象通常与背景具有不同的运动特征的属性，最近的方法共同使用从光流图提取的运动线索与从 RGB 图像提取的外观线索。然而，由于光流图通常与分割掩码非常相关，网络在网络训练期间容易过度依赖运动线索。因此，这种两流方法容易受到混淆的运动线索的干扰，使其预测不稳定。为了缓解这个问题，我们设计了一种将运动线索视为可选的新型运动作为选项网络。在网络训练期间，随机提供 RGB 图像而不是光流图给运动编码器，以隐式降低网络的运动依赖性。由于学习到的运动编码器可以处理 RGB 图像和光流图，因此可以根据所使用的信息源的运动输入生成两种不同的预测。为了充分利用这个特性，我们还提出了一种自适应输出选择算法来在测试时采用最佳的预测结果。我们提出的方法在所有公共基准数据集上都具有最先进的性能，甚至保持了实时推理速度。

Sep, 2023

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

该论文提出了一种名为 Easy Frame Selector 的新方法，其可以选择更好的参考帧以提高无监督视频物体分割（UVOS）表现。作者进一步提出了一种名为 Iterative Mask Prediction 的框架，在 Davis16，FBMS 和 SegTrack-V2 三个 UVOS 基准集上实现了最先进的表现

Dec, 2021

通过在动态视频的对象分割中集成场景全局运动知识，我们展示了从其他领域的视频理解中转移知识并结合大规模学习可以提高复杂环境下的鲁棒性。我们提出了一种半监督视频对象分割架构，利用运动理解中的现有知识进行更平滑的传播和更准确的匹配。同时，我们使用大规模的 MOSE 2023 数据集训练模型，该方法在各种复杂场景中展现了强大的性能。

May, 2024

UVIS 是一种无监督视频实例分割框架，利用 DINO 模型的密集形状先验和 CLIP 模型的开放识别能力，通过帧级伪标签生成、基于 Transformer 的 VIS 模型训练和基于查询的跟踪等三个关键步骤实现，通过采用双存储器设计，包括语义存储器和跟踪存储器，以提高无监督环境下 VIS 预测的质量，在 YoutubeVIS-2019 等相应基准上取得了 21.1 AP 的结果，展示了该无监督 VIS 框架的潜力。

Jun, 2024

本研究提出了一种新的无监督学习方法，其中使用密集特征表示直接进行卷积全制度的学习来进行视频对象分割。通过使用一个简单的规则化方案，该方法能够提高分割精度并达到快速的训练收敛。最终，该方法在标准的视频对象分割基准测试中取得了较高的精度。

Nov, 2021