Tradicionalmente, el análisis de instancias en video ha sifo aproximado por estrategias "botttom-up" donde la información de alto nivel específica a una instancia, es estimada a partir de información de bajo nivel exclusiva de la instancia analizada. Aunque este tipo de estrategias han sido utilizadas con éxito en el estado del arte [70, 11, 133, 112, 144], nuestro trabajo evidencia que este proceder es sub-óptimo en el dominio del análisis de instancias. En esta disertación, nos enfocamos en el descubrimiento de información contextual, así como en el desarrollo de métodos que permitan integrar la información contextual con la información específica de la instancia. Esta metodología nos permite mejorar el desempeño del análisis de instancias. Esta tesis se enfoca en dos tareas relacionadas en el dominio del análisis de video: clasificación y segmentación. Respecto a la segmentación, desarrollamos la "Multi- Attention Instance Network" (MAIN) el primer método para segmentación de instancias "one-shot" en video...