対象フレームのsegmentation maskの前後フレームでの位置を, フレーム間のfeature mapの差分を利用し予測するmask propagation branchをMask R-CNNに追加することを提案. 予測した前後フレームのmaskも含めて, フレーム間のmaskのIoUを計算することで, blurやocclusionに強いinstance segmentationが可能.

YouTube-VIS datasetにおけるvideo instance segmentation taskにおいてICCV2019の優勝モデルであるアンサンブルモデルに対して, 1000分の1程度のラベル数でmAPを1.8ポイント改善.

ヒューリスティックな手法でしか精度の出せていなかったvideo instance segmentationにおいて比較的シンプルな拡張をした単一モデルで従来手法を超える精度を出し, このtaskにおける手法の発展の基礎になりそうな提案だったから.