メモリベースのアプローチが弱教師ありビデオオブジェクトセグメンテーションにおいて有望な結果を示している。その中でSOTAを達成しているSTCNはフレームごとに動画を分割し、オブジェクトセグメンテーションを行っている。しかし、STCNの高度なメモリマッチングにより、メモリ更新が毎フレーム必要でない可能性を示している。そこで本論文ではフレーム単位ではなくクリップ単位でマスク予測を行う手法を提案する。