抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本論文では,半教師つきビデオオブジェクトセグメンテーション(VOS)のためのスケーラブルで効果的なマルチオブジェクトモデリングを達成する挑戦課題を取り上げた。以前のVOS手法は単一のポジティブオブジェクトを用いて特徴を復号化し,それらが複数オブジェクトシナリオの下でそれぞれのターゲットをマッチングし,セグメンテーションしなければならないため,複数オブジェクト表現の学習を制限する。さらに,以前の技術は特定の応用目的に対応し,異なる速度-精度要求を満たす柔軟性を欠いていた。これらの問題に対処するために,筆者らは2つの革新的アプローチ,すなわちトランスフォーマによるオブジェクトの関連付け(AOT)及びスケーラブルトランスフォーマによるオブジェクトの関連付け(AOST)を提示した。効果的なマルチオブジェクトモデリングを追求するために,AOTは各オブジェクトをユニークなアイデンティティに割り当てるためにIDentification(ID)メカニズムを導入する。このアプローチは,ネットワークがすべてのオブジェクト間の関連を同時にモデル化することを可能にし,その結果,単一ネットワークパスにおけるオブジェクトの追跡とセグメンテーションを容易にする。柔軟でない展開の挑戦に取り組むために,AOSTは,スケーラブル監視と層状IDベース注意を組み込むスケーラブル長期短期変換器をさらに統合する。これにより,VOSにおけるオンラインアーキテクチャスケーラビリティを初めて可能にし,ID埋込みの表現制限を克服する。密にマルチオブジェクトアノテーションを含むVOSのためのベンチマークの欠如を前提として,筆者らは筆者らのアプローチを検証するために,挑戦的なWildにおけるビデオオブジェクトセグメンテーション(VOSW)ベンチマークを提案した。VOSWと,YouTube-VOS 2017 Val,DAVIS-2017 Val & Test,およびDAVIS-2016を含む5つの一般的に使用されるVOSベンチマークにわたる広範な実験を使用して,様々なAOTおよびAOSTバリアントを評価した。提案アプローチは最先端の競争者を凌ぎ,6つのベンチマーク全てにわたって例外的効率性およびスケーラビリティを一貫して示した。プロジェクトページ https://github.com/yoxu515/aot benchmark【JST機械翻訳】
