根据提供的文件内容，这篇文章主要讨论了在视频中分割移动物体的方法，并详细介绍了相关技术细节和实验结果。以下是文章中涉及的知识点：
1. 视频中移动物体的分割问题：文章主要解决的是如何从视频中准确地分割出移动物体。这是一个在计算机视觉领域具有重要研究价值的问题，对于视频监控、视频分析等领域具有广泛的应用前景。
2. “移动物体性”（moving objectness）概念：文章中提出了一个新概念“移动物体性”，用以评价一个分割区域有多大的可能性包含移动物体。这是一个衡量分割区域质量的重要指标，可以帮助算法更好地识别出哪些区域包含移动物体，从而提高分割的准确性。
3. 基于图像和运动场的移动物体性检测器：文章介绍了一种通过训练得到的检测器，该检测器能够识别视频帧中的移动物体，并剔除过分割或欠分割的情况，以及背景部分。这一部分是基于图像和运动场数据进行训练，以提高检测移动物体的准确率。
4. 空间-时间段落提议的排名：文章提出了一种通过空间-时间段落提议的排名方法，通过计算每个视频帧的多个前景-背景分割提议，并使用排名机制来优化选择出最有可能包含移动物体的提议。
5. 基于运动亲和性的密集点轨迹的随机游走：为了将选定的空间-时间段落扩展到连续帧中的时空管道，文章利用基于运动亲和性的密集点轨迹的随机游走方法，以确保分割区域在视频中的连续性和一致性。
6. 终极时空管道排名：通过上述方法选取和扩展的时空段落会进行最终排名，以确保最终得到的分割结果在目前最大的两个视频分割基准测试中达到最优表现。
7. 现有静态提议方法的改进：文章提出的方法相比现有的静态提议方法，在检测率上可以提高多达7%，这对于提高移动物体检测的准确性具有重要意义。
8. 计算机视觉和深度学习技术的应用：文章介绍的基于区域提议和分类技术的物体检测范式目前在静态图像物体检测中占主导地位。特别是在使用卷积神经网络（CNN）进行区域提议的方面，相对于传统的滑动窗口分类器和马尔可夫随机场像素分类器，CNN显示出更为优异的性能。
从文章提供的部分节选内容来看，本文的贡献在于它提出了一种基于运动特征的新颖的视频分割方法，通过移动物体性检测器对候选的移动物体区域进行排名，并使用时空管道进一步优化分割结果。这一研究不仅推动了视频分割领域的技术发展，还可能在诸多涉及视频处理的场景中得到应用。
