Considerando que os dados de treinamento de redes de segmentação de instâncias de vídeo totalmente supervisionadas dependem fortemente de anotações precisas de máscaras, resultando em altos custos de tempo e mão de obra, impedindo que máquinas inteligentes se adaptem rapidamente a novas cenas, propõe-se uma rede de segmentação de instâncias de vídeo fracamente supervisionada com geração dinâmica de máscaras e regulação de ponta a ponta (Weakly Supervised Video Instance Segmentation, WSVIS). Para superar o problema da perda de características de ativação de instâncias causada pela redução abrupta da dimensão do canal na camada inicial de predição de máscara, é construído um módulo de fusão de características multinível, usando uma estratégia de reutilização de características para prever características iniciais das instâncias e fundir informações de posição relativa para gerar a máscara preditiva inicial. Em seguida, propõe-se um mecanismo de regulação dinâmica que estabelece relações de dependência das características da máscara nas dimensões de canal e espacial, reforçando a interação dinâmica entre a máscara preditiva inicial e as informações de percepção da instância. Por fim, a rede foi projetada para gerar pseudo-rótulos de afinidade baseados em similaridade binária de cor para substituir as anotações precisas das máscaras, combinando perdas de consistência entre caixas delimitadoras e máscaras para realizar segmentação de instâncias de vídeo fracamente supervisionada somente com anotações de caixas delimitadoras. Os resultados experimentais mostram que, nos conjuntos de dados BoxSet e YT-VIS, a rede WSVIS pode alcançar precisão e desempenho de segmentação comparáveis às redes totalmente supervisionadas, atendendo aos requisitos de inferência em tempo real, fornecendo suporte teórico e algorítmico para que máquinas inteligentes se adaptem rapidamente a novas cenas e alcancem percepção e compreensão ambiental em tempo real.

Máquinas inteligentes;Segmentação de instâncias de vídeo fracamente supervisionada;Fusão multinível de características;Regulação dinâmica;Similaridade binária de cor