用于在视频中进行密集语义分割的深度学习

摘要

本文涉及用于在视频中进行具有自动交互性和改进的时间相干性的密集语义分割的深度学习。讨论了与将视频帧自动分割为每像素密集感兴趣对象和背景区域有关的技术。这样的技术包括将分割卷积神经网络(CNN)应用于CNN输入，该CNN输入包括当前视频帧、先前视频帧、感兴趣对象指示符帧、运动帧、和多个特征帧，每个特征帧包括从应用于当前视频帧的对象分类卷积神经网络的各特征层压缩的特征，以生成候选分割；并且选择候选分割中的一者来作为当前视频帧的最终分割。