梁丽娜,姚 睿,迟文浩,周 勇,赵佳琦

（中国矿业大学计算机科学与技术学院，徐州，221116）

视频目标分割（Video Object Segmentation，VOS）从一个给定的视频序列中分离每个视频帧的前景目标和背景图像，是计算机视觉的重要研究领域，在视频后期制作、智能汽车应用、道路监控等方面都发挥了极大的作用.现阶段相关数据集不多，具有像素级注释的序列数远小于实际数据，不利于训练.此外，由于相机抖动、物体运动、照明变化、景物遮挡、运动模糊、阴影效果等复杂因素的影响，分割主要视频目标仍然是一项挑战性的任务，在实际应用中的适用性也有待提高.

视频是由具有时间相关性的一系列图片组成的序列，因此视频目标分割也是对带有时间和运动信息的每帧静态图像的分割，过去视频分割采用的帧间差分法、背景差分法等算法已不能满足具有复杂背景和目标的分割要求.Shelhamer et al［1］提出全卷积神经网络（Fully Convolution Net⁃works，FCN），将深度学习引入静态图像分割，视频目标分割也进入了深度学习的时代.Cheng et al［2］提出一种端到端的可训练网络SegFlow，采用双分支网络结构用于同时预测视频中的像素级目标分割和光流.光流法是获取运动信息的普遍方法，但是对于长时间的运动遮挡估计不准.Tok⁃makov et al［3］介绍了一种双流神经网络，结合两个互补的信息来源：外观和运动，并带有可视记忆模块，实现为双向卷积门控循环单元（Gated Re⁃current Unit，GRU），但模型的训练周期较长，需要训练300万次.Hu et al［4］提出一种递归神经网络方法MaskRNN，这是一个处理视频……