VisTR

收录理由

VisTR 是 CVPR 2021 口头报告论文的官方代码，它把视频实例分割做成了一次性的端到端流程。传统做法通常先逐帧检测目标，再在时间轴上串联结果，而 VisTR 直接让整个视频片段通过 Transformer，一次性输出一组实例序列，省去了大量手工设计的后处理步骤。如果你熟悉 DETR 风格的目标查询机制，这套设计会很容易上手。仓库里提供了训练和推理脚本、预训练权重以及 YouTubeVIS 数据集的配置说明，照着走就能复现论文中的指标。不过要注意，训练时显存需求很高，作者用的是 32GB 的 V100，所以它更适合有充足计算资源的团队，而不是想在笔记本上快速跑通实验的人。