视频目标分割是机器视觉中的一个热门方向,在视频理解的精确对象跟踪、视频编辑、场景理解、自动驾驶汽车等领域都有广泛的应用。然而视频目标分割在实际生活中应用仍然存在着许多难点和挑战。首先是目标随着场景的变化,会存在目标被背景遮挡的问题,以及目标多尺度变化的情况;然后目标与背景的纹理或者颜色有极大程度的相似性;最后是现有的算法都难以满足在实际应用中分割的速度,特别是对于多目标物体。为了克服这些难点,本文开发了一种有效且完全端到端的模型来实现快速准确的视频目标分割,称为基于多时序多级注意力的多目标分割网络。具体的研究内容如下:针对遮挡和多尺度变化的问题,需要更好捕获时序信息。现有的方法会造成误差积累,匹配不准确等问题。本文提出了多时序结构的视频目标分割网络,它包含一个用于编码目标绝对变化的长时网络,一个用于捕获相对对象动态的短时网络,以及一个融合长短时信息的门融合网络。通过长短时结构能准确得到目标的位置和细节信息。针对目标与背景相似的问题,需要提取更有判别性的目标特征。现有的方法没有考虑全局关系特征,时空语义性以及传统的卷积层不能自适应聚集目标的特征。本文提出了一种多级注意力机制。通过全局关系注意力推理当前帧和第一帧的全局关系信息,通过通道空间注意力去自适应当前帧目标特征,结合长短时时空注意力对门融合网络进行优化,从而能将目标与相似背景更好的区分开。针对目前的算法难以满足在实际应用中分割的速度,特别是对于多目标分割问题。本文提出基于单次前向传播多目标分割网络。本文采用将多目标作为一个批量处理,因此它只需前向运行一次就能同时分割多目标,而且不需要任何后处理。除此以外将短时网络使用的光流替换为掩码预测网络,提高分割速度。最后在You TubeVOS和DAVIS 2017数据集和许多最新方法相比,证明本文模型的优势。