视频图matlab代码请阅读我的论文，特别是第3章。 您还想阅读我的方法所依赖的Papazoglou等人的ICCV2013（但我想删除此依赖项）。 阅读HOWTO.txt，了解如何运行我的代码。 目录“数据”包含输入图像，预先计算的时间超像素等。 目录“ external”包含外部的matlab代码，这些代码将从我的python代码中调用。 有很多事情需要改进。 视频表示 标记时间超像素的想法还不错。 但是，即使单个tsp轨迹同时包含fg和bg像素，它们也会被赋予相同的标签。 可能需要一些后期处理。 一元潜力 在轨迹上扩散的想法很好。 为了计算fg可能性，我们目前依赖于Papazoglou等人的内外图，ICCV2013。 我想改进它，或用其他方法代替它。 -因为内部-外部映射并不稳健，所以特别是在有多个对象的情况下（请参见我的论文，第3.2节）。 -取决于阈值光流边缘，该边缘可能会忽略薄弱但重要的边缘。 -每个帧都完全独立地处理。 如何改善内外地图？ -使用TSP以3d方式拍摄光线。 -还有其他想法吗？ 最终外观模型和位置模型不好。 -训练随机森林需要阈值散布在内部概率中。 这听起来很

视频对象分割（VOS）领域常用的数据集之一——FBMS数据集，包括了它的训练集和测试集。是实例级的分割，不过也可稍作修改作为对象级分割的数据集。

DAVIS2016数据集论文中提供的视频对象分割（VOS）评价指标（区域相似度J，边界准确度F，时间稳定性T）的计算代码（python），可以直接调用。

我们探索一种具有特殊时空特征提取结构的半监督视频对象分割新方法。 考虑到三维卷积网络可以卷积一定数量的图像序列，这是一种获取空间和时间信息的独特方法。 我们的网络由视觉模块，运动模块和解码器模块三部分组成。 视觉模块从第一帧中的对象中学习对象的外观特征，以供网络检测以下图像序列中的特定对象。 运动模块的目的是通过三维卷积网络获取图像序列的时空信息，该网络学习物体时间外观和位置的多样性。 解码器模块的目的是通过级联和上采样结构从视觉模块和运动模块的输出中获取前景对象蒙版。 我们在DAVIS分割数据集上评估我们的模型[15]。 与大多数基于检测的方法相比，由于视觉模块，我们的模型不需要在线培训。 结果，获得掩码所需的时间为每帧0.14秒，这比最新方法OSVOS [2]快71倍。 与最近提出的大多数方法相比，我们的模型还显示出更好的性能，其平均IOU精度可与最新方法相媲美。

视频对象分割是指在给定的一段视频序列的各帧图像中，找岀属于特定前景对象的所有像素点位置区域。随着硬件平台计算能力的提升，深度学习受到了越来越多的关注，在视频对象分割领域也取得了一定的进展本文首先介绍了视频对象分割的主要任务，并总结了该任务所面临的挑战。其次，对开放的视频对象分割常用数据集进行了简要概述，并介绍了通用的性能评估标准。接着，综述了视频对象分割的研究现状，详细地分析了当前的各种方法，并将它们划分为三大类：半监督的方法，即给出视频第一帧图像中感兴趣对象的详细人工真值标注，分割出视频剩余图像中的感兴趣对象;无监督的方法，即不给任何人工标注信息，自动识别并分割出视频中的前景对象;交互式的方法，即在分割过程中，通过人工交互式的参与，结合粗略的人工标注先验信息，进行视频对象分割第三类方法的条件相当于前两者的折中：相对于第一类方法，它虽然需要人工的参与，但只需要少量的标注工作量;相对于第二类方法，它给视频序列中某些帧的图像适当地添加了一些人工标注信息，从而更具针对性。最后，对深度学习在视频对象分割任务中的应用，进行了总结和展望。

基于循环卷积神经网络的RGB-D视频对象分割 Object Class Segmentation of RGB-D Video using Recurrent Convolutional Neural Networks