Decoupling Tracking and Segmentation: Introducing VOST for Efficient Video Object Segmentation
Notice bibliographique
Résumé
We propose VOST, a novel segmentation-bytracking framework for semi-supervised Video Object Segmentation (VOS) that decouples the tracking and segmentation tasks to improve both accuracy and robustness. Our approach employs a state-of-the-art zero-shot tracker (SAMURAI) to generate bounding boxes of the target object in each frame. These cropped regions are then fed into a Vision Transformer (ViT)-based segmentation model trained to segment the object within the bounding box. By isolating the object from distracting background content and similar instances, our model eliminates ambiguity, simplifies the segmentation task, and requires no temporal memory to maintain object consistency. VOST is evaluated using three benchmark datasets, DAVIS16, DAVIS17, and SegTrackV2, achieving state-of-the-art performance. Specifically, VOST reaches an $\mathcal{M}$ score of 92.6 on DAVIS16, 88.9 on DAVIS17, and an $\mathcal{F}$-score of 0.929 on SegTrackV2, outperforming all previous methods. Additionally, VOST achieves a real-time inference speed of 20.6 FPS, offering an efficient and scalable solution for practical VOS applications. These results demonstrate the effectiveness of the segmentation-by-tracking paradigm and its potential as a competitive alternative to memory-based approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».