List your company

Video Object Segmentation on DAVIS 2017 (val)

88.5J meanFAROS
81.94883.64985.3587.051Jun 4, 2021Apr 7, 2022Feb 9, 2023Dec 14, 2023Oct 17, 2024Aug 21, 2025Jun 25, 2026

Evaluation results

MethodLinks
FAROSEvaluation Protocol=standard semi-supervised VOS (first-frame annotation only)2026.0688.5——92.6——90.5————————
SAM2Evaluation Protocol=standard semi-supervised VOS (first-frame annotation only), backbone=Hiera-B+2026.0688.4——92.4——90.2————————
SAM 2Type=Segmentation Foundation Models, Backbone=Hiera-L2026.0387.5——94——90.7————————
SAM 2Type=Segmentation Foundation Models, Backbone=Hiera-B+2026.0387——93.4——90.2————————
SAM 2++2025.1086.3——91.9——89.1————————
ReVOS2024.1286————————————84.864.2
Cutie-basewith STM=true, Backbone=ResNet-50, Training Data=YouTube VOS + DAVIS + MOSE2024.1185.6——91.9——88.8————————
Cutie-base2024.1285.6————————————84.663.9
SAM22024.1285.5————————————82.864.1
Cutie-basewith STM=true, Backbone=ResNet-50, Training Data=YouTube VOS + DAVIS2024.1185.4——92.3——88.8————————
CutieMemory bank=true2023.0385.4——92.3——88.8————————
JIMDBackbone=ResNet50, FPS=13.22024.0985.2——91——88.1————————
SimVOS-BType=Dedicated VOS Systems, Backbone=ViT-B/162026.0385——91——88————————
Cutie-baseType=Dedicated VOS Systems, Backbone=ResNet502026.0384.6——91.1——87.9————————
ISVOSMemory bank=true2023.0384.5——91.9——88.2————————
ISVOSEvaluation Protocol=standard semi-supervised VOS (first-frame annotation only)2026.0684.5——91.9——88.2————————
ISVOSw/ BL30K=true2022.1284.5——91.9——88.2————————
Cutie-smallwith STM=true, Backbone=ResNet-18, Training Data=YouTube VOS + DAVIS2024.1184.3——90.1——87.2————————
DEVAtraining_data=with OVIS, FPS=25.32023.0984.2——91——87.6————————
Upper-boundinput=original videos, evaluation_model=XMEM2025.1284.06——91.3397.02—87.7————————
XMemconstant_cost_inference=false, training_data=YouTube-VOS + BL30K, FPS=22.62023.0384——91.4——87.7————————
XMemMemory Mechanism=Memory2023.0384——91.4——87.7————————
XMemTraining Data=with video data, Venue=ECCV'222023.0584——91.4——87.7————————
XMemVideo Data=true2024.0384——91.4——87.7————————
XMemMemory bank=true2023.0384——91.4——87.7————————
XMemw/ BL30K=true2022.1284——91.4——87.7————————
ISVOSBL30K pre-training=false2024.0983.7——90.5——87.1————————
ISVOSw/ BL30K=false2022.1283.7——90.5——87.1————————
DEVAtraining_data=without OVIS, FPS=25.32023.0983.6——90——86.8————————
DEVAwith STM=true, Backbone=ResNet-502024.1183.6——90——86.8————————
DEVAMemory bank=true2023.0383.6——90——86.8————————
Cutie-smallwith STM=true, Backbone=ResNet-18, Training Data=YouTube VOS + DAVIS + MOSE2024.1183.5——89.5——86.5————————
BATMANIncludes YouTube-VOS in training=true, Resolution=480p2022.0883.2——89.3——86.2————————
BATMANconstant_cost_inference=false2023.0383.2——89.4——86.2————————
GSFMconstant_cost_inference=false, FPS=≈ 8.92023.0383.1——89.3——86.2————————
GSFM2022.0383.1——89.3——86.2—————8.9——
SwinB-AOST†Backbone=Swin-B, variant=†2022.0383.1——89.4——86.3—————12——
PCVOSvariant=L52022.0883——89.2——86.1————————
RAVOSRS=true, FPS=422022.0782.9——89.3——86.1————————
XMemconstant_cost_inference=false, training_data=YouTube-VOS, FPS=22.62023.0382.9——89.5——86.2————————
XMemLabeled data=100%2023.0382.9——89.5——86.2————————
XMem2023.0182.9——89.5——86.2————————
XMemInitialization format=Mask2023.0882.9——89.5——86.2————————
XMemFPS=22.62023.0982.9——89.5——86.2————————
XMemMethod Category=Memory-based2023.1282.9——89.5——86.2————————
XMemBL30K pre-training=false, FPS=22.62024.0982.9——89.5——86.2————————
XMemwith STM=true, Backbone=ResNet-502024.1182.9——89.5——86.2————————
XMem2024.1282.9————————————81.361.3
XMemEvaluation Protocol=standard semi-supervised VOS (first-frame annotation only)2026.0682.9——89.5——86.2————————
XMemw/ BL30K=false2022.1282.9——89.5——86.2————————
XMem*Labeled data=100%2023.0382.8——89.7——86.2————————
DeAOTBackbone=SwinB-DeAOT-L2024.1282.7————————————79.860.9
R50-AOSTBackbone=ResNet-50, n_l=32022.0382.6——88.5——85.6—————17.5——
AOST-LBackbone=ResNet50, FPS=17.52024.0982.6——88.5——85.6————————
RPCMResolution=Full-resolution, External Training Datasets=false2021.1282.5——87.2——84.8————————
QDMNsynthetic training dataset=true2022.0782.5——88.6——85.6————————
STCNRS=false, FPS=20*2022.0782.5——88.7——85.6————————
SwinB-AOT-LPre-training=YouTube-VOS, Backbone=Swin-Base, FPS=12.12021.0682.4——88.4——85.4————————
SwinB-AOT-LTraining data=YouTube-VOS2021.0682.4——88.4——85.4—————12.1——
AOTTraining Data=with video data, Venue=NeurIPS'212023.0582.4——88.4——85.4————————
SwinB-AOSTBackbone=Swin-B, n_l=32022.0382.4——88.6——85.5—————12——
SwinB-AOT-LType=Dedicated VOS Systems, Backbone=Swin-B2026.0382.4——88.4——85.4————————
R50-AOT-LPre-training=YouTube-VOS, Backbone=ResNet-50, FPS=18.02021.0682.3——87.5——84.9————————
R50-AOT-LTraining data=YouTube-VOS2021.0682.3——87.5——84.9—————18——
R50-AOTRS=false, FPS=24*2022.0782.3——87.5——84.9————————
AOTIncludes YouTube-VOS in training=true, Resolution=480p2022.0882.3——87.5——84.9————————
MobileVOSvariant=model soup, backbone=ResNet18, constant_cost_inference=true, training_data=YouTube-VOS + BL30K, FPS=90.62023.0382.3——88.9——85.6————————
R50-AOT-LLabeled data=100%2023.0382.3——87.5——84.9————————
STCN+InstMoveintegration=InstMove2023.0382.3——87.9——85.1————————
AOT2023.0182.3——87.5——84.9————————
AOTInitialization format=Mask2023.0882.3——87.5——84.9————————
AOT-R50Backbone=ResNet-50, FPS=6.42023.0982.3——87.5——84.9————————
R50-AOST†Backbone=ResNet-50, variant=†2022.0382.3——88.2——85.3—————17.5——
AOT-LBackbone=ResNet50, FPS=182024.0982.3——87.5——84.9————————
AOTwith STM=true, Backbone=ResNet-502024.1182.3——87.5——84.9————————
RMem + DeAOTBackbone=R50-DeAOT-L, Memory bank=restricted, Temporal position embedding=false2024.1282.3————————————79.360.9
AOTw/ BL30K=false2022.1282.3——87.5——84.9————————
STCN2021.0682.2——88.6——85.4—————20.2——
STCNReference frames=Multiple, Resolution=480p, Training Data=DAVIS and YouTube-VOS2022.0782.2——88.6——85.4————————
STCN2022.0782.2——88.6——85.4————————
STCN2022.0882.2——88.6——85.4————————
STCNPublication=NeurIPS 2021, Pre-training on image datasets=true, FPS=26*, Training with YouTube-VOS=true2022.0882.2——88.6——85.4————————
STCNInit=mask, Online Learning=false, Memory Bank=true2022.0782.2——88.6——85.4————————
STCNIncludes YouTube-VOS in training=true, Resolution=480p2022.0882.2——88.6——85.4————————
STCNLabeled data=100%2023.0382.2——88.6——85.4————————
STCN2023.0182.2——88.6——85.4————————
STCNMemory Mechanism=Memory2023.0382.2——88.6——85.4————————
STCNInitialization format=Mask2023.0882.2——88.6——85.4————————
DeAOTInitialization format=Mask2023.0882.2——88.2——85.2————————
STCNFPS=13.22023.0982.2——88.6——85.4————————
STCNMethod Category=Memory-based2023.1282.2——88.6——85.4————————
DeAOTMethod Category=Memory-based2023.1282.2——88.2——85.2————————
STCN2022.0382.2——88.6——85.4—————24.7——
DeAOT-LBackbone=ResNet50, FPS=19.82024.0982.2——88.2——85.2————————
STCNwith STM=true, Backbone=ResNet-502024.1182.2——88.6——85.4————————
DeAOTwith STM=true, Backbone=ResNet-502024.1182.2——88.2——85.2————————
STCNMemory bank=true2023.0382.2——88.6——85.4————————
STCNType=Dedicated VOS Systems, Backbone=ResNet502026.0382.2——88.6——85.4————————
STCNEvaluation Protocol=standard semi-supervised VOS (first-frame annotation only)2026.0682.2——88.6——85.4————————
STCNw/ BL30K=false2022.1282.2——88.6——85.4————————