本文提出了一种高效的长短时序注意力网络（LSTA），用于解决无监督视频对象分割（VOS）任务。该网络利用时空上下文，实现了对视频中主要前景对象轮廓的识别，并能在实时中处理。经过实证研究，该方法表现出高效且有希望的性能。

本文提出了一种高效的长短时序注意力网络（LSTA），用于无监督视频对象分割（VOS）任务。该网络利用时空上下文，实现了实时识别视频中主要前景对象轮廓。经实证研究证明，该方法性能高效。

无监督视频对象分割任务旨在检测视频中最显著的对象。最近的方法使用光流图和RGB图像提取的线索。为了解决运动线索干扰问题，设计了一种新型网络，将运动线索视为可选项。通过随机提供RGB图像而不是光流图进行网络训练，降低了网络的运动依赖性。该方法在公共基准数据集上具有最先进的性能，且实时推理速度快。

本文提出了一种高效的长短时序注意力网络（LSTA），用于无监督视频对象分割（VOS）任务。该网络利用时空上下文，具有高效的推理速度和有希望的性能。

该文介绍了一种新型的无监督视频对象分割方法，利用外观和运动线索检测视频中最显著的对象。该方法设计了一种新型运动作为选项网络，并提出了自适应输出选择算法。在所有公共基准数据集上具有最先进的性能，保持实时推理速度。