论文笔记：Learning Video Object Segmentation from Unlabeled Videos

这篇CVPR2020的论文，和MAST的任务相仿，都是从training阶段就放弃annotation的使用，变成了彻头彻尾的无监督学习，为VOS任务提供了一个新的高效学习范式。不同的是这篇文章不仅可以用来做O-VOS(one shot半监督给定第一帧mask)，还可以用来做Z-VOS(zero shot无监督无第一帧mask)。

文章采用multiple granularities的方式，来学习到多粒度的视频帧的特征表示，四种granularity如下：

（1）frame granularity：通过显著性检测或者CAM maps来挖掘帧内的信息，鉴别前景部分和背景部分；

（2）short-term granularity：通过施加局部表示的consistency约束，用来比较连续几帧间的视觉pattern；

（3）long-range granularity：施加远距离frame之间的语义联系，使得帧之间的特征表示对occlusion，外观的变化以及deformation；

（4）whole-video granularity：通过融合多帧的信息，让视频表示去学习到global和conpact的内容，并且和其他视频序列的representation加以区别。

感觉(2)和(3)两点与MAST的memory的目的有相似之处，但处理的方法完全不同；而(1)的存在使得本篇文章可以处理Z-VOS的任务。整个流程图如下图所示：

本篇文章的思路感