近日，TIME实验室2019级硕士生秦者云一篇论文“Learning Hierarchical Embeddings for Video Instance Segmentation” （作者：秦者云，卢宪凯，聂秀山，甄先通，尹义龙）被ACM Multimedia（ACM MM）2021会议录用。ACM MM是新媒体领域的顶级会议，属于CCF A类会议。

视频实例分割（VIS）涉及对视频序列中的所有实例进行跟踪、分割和分类。现有的VIS模型大都遵循判别式的检测-跟踪范式。然而这种多阶段的策略有两点不足之处：1)它们需要在每个独立的步骤中设计和微调一个独立的模型，并且不是端到端、可训练的。这导致了一个昂贵而繁琐的解决方案。2)视频中的自然干扰，如低分辨率和运动模糊，经常导致检测器无法定位新实例。针对这些方法的不足，我们提出了自底向上、生成式的视频实例分割模型，以端到端的方式捕获视频的时空特征嵌入和外观特征嵌入。相应地，我们利用了一个简洁的混合模型来表示时空嵌入。此外，我们利用归一化流来估计潜在的外观嵌入方差。这两个嵌入学习过程被集成到一个层次贝叶斯学习框架中。通过这种方式，我们的模型在一次向前传递中就可以推断出所有的视频实例。一系列的实证研究表明，我们的算法在视频实例分割数据集（YouTube-VIS 2019）和无监督视频目标分割数据集（DAVIS 2019）上的表现明显优于目前的技术水平。这进一步验证了模型对视频中实例完整表示的泛化能力。