完全監督のビデオインスタンスセグメンテーションネットワークの訓練データが精密なマスク注釈に大きく依存し、時間と労力のコストが非常に高くなるため、知能機械が新しいシーンに迅速に適応できない問題に対し、エンドツーエンドのマスク生成動的制御弱教師付きビデオインスタンスセグメンテーション（Weakly Supervised Video Instance Segmentation, WSVIS）ネットワークを提案する。初期マスク予測層のチャネル次元が急激に減少し、インスタンス活性化特徴が失われる問題を克服するために、多段階特徴融合モジュールを構築し、特徴再利用戦略を用いて初期インスタンス特徴を予測し、相対位置情報を融合して初期予測マスクを生成する。その後、チャネルおよび空間次元でマスク特徴の依存関係を構築する動的制御機構を提案し、初期予測マスクとインスタンス認識情報間の動的相互作用を強化する。最後に、ネットワークは精密なマスク注釈に代わる二値色類似度に基づく擬似親和ラベルを生成し、境界ボックスとマスクの一貫性損失を組み合わせて、境界ボックス注釈のみで弱教師付きビデオインスタンスセグメンテーションを実現する。実験結果は、BoxSetおよびYT-VISデータセットで、WSVISネットワークが全教師付きネットワークに近いセグメンテーション精度と効果を達成し、リアルタイム推論要件も満たし、知能機械が新しいシーンに迅速に適応してリアルタイム環境認識と理解を実現するための理論的およびアルゴリズム的根拠を提供することを示している。

知能機械;弱教師付きビデオインスタンスセグメンテーション;多段階特徴融合;動的制御;二値色類似度