ビデオセグメンテーションでは、特に半教師あり学習では、我々はヴォーンのコメントの最初のフレームを持っている傾向がある、一般的に、最初のフレームの最初のフレームが選択されていますが、ミシガン大学の研究者たちは、ほとんどのことがわかりました良好なフレームは、パフォーマンスを大幅に向上させることができ、より良いフレームを使用して、最初のフレームではないので、彼らはコードが今githubの上でオープンソースであり、この方法bubblenetsを作りました。
https://github.com/griffbr/BubbleNetsあり、実験映像https://youtu.be/0kNmm8SBnnU
多くの先行研究では、データの普及は、このようにユーザーのニーズ、及びこれらの研究を満たすために、多くの規格に分割多目的に関するこれらの論文のほとんどをデービス、VOSのユーチューブビデオ、および野生を設定し、ほとんどは、ニューラルネットワーク（CNNやFCN）アプローチを使用しています
。
osvosは、フレームの順序の影響を考慮する必要がないので、私はそれを選んだので、本明細書中で使用されるビデオの分割方法は、ベースosvosあり、かつ（紹介ビデオは古典的な論文部門ですosvos）
アル方法とエラーの低減の両方のホットスポットへの論文特別な注意は、アル方法は、エラーの削減で多くのアプリケーションを持っているが、コストの異なる測定のために、決定木モデルがあるが、また、ソースモデル研究クラスのビデオを群衆、本論文では、すべての半教師あり学習法のコストを測定するために、だけでなく、最高のそのフレームを知りたいです。そしてミシガン大学によって提案されたバブルソート方法は、反復的に2つの連続するフレームを比較し、類似した隣接しています。
しかし、バブルのこの種は、このようなバブルソート「順序」配慮が依然として存在している、非常に異なっているが、この方法では、我々は参照フレームの何らかの方法を使用するために使用され、参照フレームがランダムに選択され、ので、2つの間の相対的な関係を比較し、正常に我々は最初のフレームを選出する「ランダム」を使用し、最後にこの方法は、2つの指標の有効性を改善するために使用されているかどうかを決定することができ、一方はエッジの正確さと同様、一致度が分割されています、二人は一緒に最後のパフォーマンスを測定します。
著者は、その後、単一フレーム法が適用されないオリジナルbubblnetsは、他の測定機能を使用して、参照用の参照フレームを使用していない、それぞれの実験を比較して、この時間はわずか我々のアプローチは、現在の時間のパフォーマンスが悪いわけではないことがわかったが、最高の精度が、それはまた、距離を計算するとき、より良いロバスト性、の中から選択されたフレームが、なぜなら他の点所望の距離からの時間フレームの最小化されなければならない場合は初期フレームを比較することによって見出すことができます。
注釈のためのミドルフレームを選択すると、最高のあたりでしょうか？
すべてのデータセットに簡単な選択戦略を形成し、簡単です
実際に実装します。
しかし、BNF第五の方法の堅牢性が最良であるが、最大時間計算
最高のためBN0、その効果が最良であるが、それはマークのに非常に少数のフレームが来たら、BN0の問題はとき、単純な割り算効率の面で発生し、実験もあるため、フレーム数の少なすぎるべきである、ことを見出しましたこれは、いくつかの問題につながっているので、彼らはより多くのタグ付きフレームを必要としています。
最後に、記事が最初のフレームの選択を要約したもので、私たちが考えるために、よりを行う必要があり、最初のフレームの選挙にとらわれすべきではない、この方法は確かにbnを大幅にパフォーマンスを向上させることができます