RCoT-Seg：用于视频推理与分割的强化思维链

视频推理分割（VRS）旨在基于隐含人类意图与时序逻辑的指令分割视频目标对象。现有方法常因关键帧选择局限导致时序理解薄弱。为此，本文提出 RCoT-Seg 框架，将任务分解为时序视频推理（TVR）与关键帧目标感知（KTP）。在 TVR 阶段，利用基于思维链启动语料库初始化并经 GRPO 强化的代理模块，通过自我评估生成并重选关键帧，增强时刻定位与时序推理；在 KTP 阶段，对选定帧执行高分辨率分割并传播掩码。实验表明该方法性能优越。