本文解读了香港大学联合中山大学和深睿医疗人工智能实验室ICCV2019论文《Motion Guided Attention for Video Salient Object Detection》。该文提出了基于运动注意力的视频显著物体检测方法（MGA），比之前最好的算法在DAVIS和FBMS数据集上分别提升了4个和8个百分点！
显著物体检测问题要求对于每张图片或视频帧，预测一个二类别的像素级分割结果，用以表征图片中的显著或前景物体。随着深度学习技术的发展，面向图片的显著物体检测方法被广泛研究，而面向视频的显著物体检测有待进一步探索。
为了解决视频的显著物体检测，该论文作者有以下观察：其一，视频物体的显著性由其外观和运动共同决定，显著物体的运动往往也是显著的，显著运动的区域很可能是显著物体；其二，物体的运动蕴含空间连贯性信息，运动状态相似的相邻区域很可能同属于一个物体或者背景；其三，利用运动信息的空间连贯性，有助于分离物体和背景。作者提出一系列运动注意力模块，来建模显著运动如何结合外观信息来影响物体显著性。
作者还提出了一个双分支网络，用以放置上述注意力模块，来实现视频显著物体检测。MGAnet是一个基于DeepLab-V3+的双分支网络。MGA-{0-5}可看作部署注意力模块的“槽”，其中MGA-5仅可采用模型一（运动信息是二维显著图），MGA-0至MGA-4可采取模型二三四中的某一种，一般采用同一种。实验结果显示，双分支结构有效利用了运动信息，优于任一单分支网络。
总的来说，作者利用运动的空间连贯性，采用注意力机制来建模运动对物体显著性的影响，提出了一个简单但准确率高的双分支网络。