MOSE: A New Dataset for Video Object Segmentation in Complex Scenes

MOSE 是一个新的视频目标分割数据集，旨在解决复杂环境下的目标跟踪和分割。MOSE 包含 2,149 个视频片段和来自 36 个类别的 5,200 个物体，以及 431,725 个高质量物体分割掩码。MOSE 数据集最显著的特征是包含了拥挤和遮挡的复杂场景。视频中的目标对象通常会被其他对象遮挡，甚至在某些帧中消失。

任务中，作者在 MOSE 数据集上对 18 种现有的 VOS 方法进行了基准测试，并在 4 种不同设置下进行了综合比较。实验结果表明，目前的 VOS 算法无法很好地感知复杂场景中的物体。例如，在半监督 VOS 设置下，现有先进 VOS 方法在 MOSE 上的最高 J&F 仅为 59.4%，远低于其在 DAVIS 上 ~90% 的 J&F 性能。

结果表明，尽管在现有基准上已经取得了优异的性能，但在复杂场景下仍存在尚未解决的挑战，未来需要更多的努力来探索这些挑战。

• 论文链接：https://arxiv.org/abs/2302.01872
• 项目链接（开源）：https://henghuiding.github.io/MOSE/