本文介绍了一种基于事件相机的运动分割方法，可以成功应用于复杂的大规模室外环境，采用创新的分而治之流程结合状态理解模块和光流模块，以及基于 Transformer 的时间关注模块进行运动分割，在经典的室内 EV-IMO 基准测试和基于 DSEC 事件数据集的新生成的动态分割和跟踪基准测试中取得了最新的最佳表现。

Mar, 2024

本研究提出了第一种基于事件相机的感知运动信息分割方法，通过建立在事件感应技术和运动补偿上的目标函数联合估计事件 - 目标关联，从而实现了场景中的独立运动目标分割和运动参数估计，并在公共数据集上取得了比最新技术研究成果高达 10% 的有效结果。同时，我们还首次量化评估了运动分割算法，达到了大约 90% 的准确度。

Apr, 2019

视频目标分割是计算机视觉中的重要任务，研究了切割模型的灵感、对象记忆、内存帧总数和输入分辨率对分割性能的影响，并在复杂视频目标分割（MOSE）数据集上验证了我们方法的有效性，实验结果表明在测试集上达到了 0.8139 的 J&F 得分，在处理具有挑战性的 VOS 场景中具有强大的鲁棒性和准确性。

Jun, 2024

该论文提出了一种名为 LCM 的基于记忆机制的视频目标分割方法，该方法采用了位置一致性和目标一致性的学习框架来解决现有方法在视频帧序列中没有利用目标级别知识和序贯性，导致准确性下降问题，实验结果表明该方法在 DAVIS 和 Youtube-VOS 基准测试中均表现出卓越性能，并在 DAVIS 2020 挑战赛中排名第一。

Apr, 2021

本文提出了一种端到端的网络来解决视频对象分割中时间建模的根本挑战，包括短期记忆子网络和长期记忆子网络，通过图形学习框架提高局部区域间的可视一致性，在三个常用的数据集上取得了非常好的性能。

Mar, 2020

我们提出了一种针对夜间动态场景的新方法，利用事件相机进行成像。我们通过时间尾随特性和空间非均匀分布的观察，构建了一个夜间事件重建网络，包括学习能力的事件时间戳校准模块以对齐时间尾随事件，和一个非均匀光照感知模块以稳定时空事件分布。通过构建配对的真实低光事件数据集，我们的方法在视觉质量和泛化能力上都优于现有方法。

Apr, 2024

通过在事件数据和光流信息上利用自监督变换器，我们提出的方法克服了事件驱动运动分割的限制，消除了人工注释的需求，并减少了参数调整问题，实现了在多个数据集上与现有方法相比的最新性能，适用于高动态航空平台上的高清事件摄像头在城市环境中处理各种类型的运动并处理任意数量的移动对象。

May, 2024

本研究开发了一种基于事件的相机的方法，将问题转化为涉及多个运动模型的能量最小化问题，并利用时空图的形式下的输入事件数据的结构迭代地解决事件聚类分配和运动模型拟合两个子问题。实验结果表明，该方法具有很高的灵活性，在不同的场景中能够获取不同运动模式和移动物体的数量。

Dec, 2020

当前的参考视频对象分割（R-VOS）技术从编码（低分辨率）视觉语言特征中提取条件内核，用于分割解码的高分辨率特征。我们发现这导致显著的特征漂移，分割内核在前向计算过程中难以感知。为了解决漂移问题，我们提出了一种谱导向的多粒度（SgMg）方法，它直接在编码特征上进行分割，并利用视觉细节进一步优化蒙版。此外，我们提出了谱导向的跨模态融合（SCF），以在频谱域中进行帧内全局交互，实现有效的多模态表示。最后，我们扩展了 SgMg 以执行多对象 R-VOS，这是一种能够在视频中同时分割多个引用对象的新范式。这不仅使 R-VOS 更快，而且更实用。广泛的实验证明，SgMg 在四个视频基准数据集上实现了最先进的性能，在 Ref-YouTube-VOS 上超越了最接近的竞争者 2.8 个百分点。我们的扩展 SgMg 实现了多对象 R-VOS，在保持满意性能的同时运行速度大约快 3 倍。

Jul, 2023

本文介绍了一种将 “tracking-by-detection” 引入视频对象分割的方法，通过提出一种新的时间聚合网络和新的动态时间演进模板匹配机制，成功将分割与跟踪相一致，并在 DAVIS 基准测试中取得了新的最优表现。

Jul, 2020