本月初，Meta 发布「分割一切」AI 模型（Segment Anything Model，简称 SAM），可以为任何图像或视频中的任何物体生成 mask，甚至包括没有见过的物体和图像。有人将这一研究比喻为计算机视觉领域的 GPT-3 时刻之一。
Meta 表示，「SAM 已经学会了关于物体的一般概念，可以为任何图像或视频中的任何物体生成 mask，甚至包括在训练过程中没有遇到过的物体和图像类型。SAM 足够通用，可以涵盖广泛的用例，并且可以在新的图像『领域』即开即用，无需额外的训练。」
该模型一经发布，迅速引起计算机视觉领域的轰动，更是有人发出「CV 不存在了」这样的感慨。
然而目前 SAM 的应用主要集中在图像领域，在视频领域的应用仍然未被深入探索，尤其是对视频目标的跟踪 / 分割，仍是巨大挑战。同时，现有的跟踪模型的局限性也很明显，如，场景切换在现实视频中很常见，而现有的跟踪模型只能在单一场景下实现目标的精准定位；现有的模型要求准确的模版初始化，需要人为提供目标边界框或精准掩码，因而可用性被极大限制。
近日，南方科技大学郑锋团队提出了「跟踪一切」（Track Anything Model ，TAM）的交互工具，其在视频中实现高性能的交互式跟踪和分割。Track Anything 是基于 SAM 的二次创作模型，适用于视频领域任意目标的跟踪任务，可以通过简单的鼠标点击实现对任意视频任意目标的像素级跟踪，实现了目标跟踪的交互性、灵活性、可用性。
- 论文地址：https://arxiv.org/pdf/2304.11968.pdf
- 项目地址：https://github.com/gaomingqi/Track-Anything
- Demo 地址：https://huggingface.co/spaces/watchtowerss/Track-Anything
Track Anything：交互式跟踪任意视频任意目标
Track Anything 效果到底如何呢？我们先从几个示例来说明。首先是多目标跟踪与分割。《清明上河图》大家早已耳闻，画中人物众多、形态各异，其间还穿插各种动作等等。想要跟踪里面的目标难度还是比较大的。下面视频显示 Track Anything 很好的跟踪了物体。
接下来考察 Track Anything 在快速运动场景下的跟踪能力。众所周知，打篮球需要动作敏捷、健步如飞…… 用 AI 技术跟踪一位篮球运动员并不容易，加之运动员动作幅度大、相互之间出现遮挡等，都加大了跟踪难度，出现错误跟踪、漏跟踪情况。但从下面展示的效果来看，即便是在瞬息万变的篮球比赛，Track Anything 跟踪效果都做的非常好。
接下来，我们在看一个示例。从下面视频中可以看到，一位身姿矫健的男生灵活的跨越众多障碍，即便人的运动速度再快、动作再复杂等，Track Anything 都能很好的处理。
由于 Track Anything 跟踪效果非常好，受到广大网友的好评。就像下面这位网友所说的：「这项研究给人一种强烈的终结者的感觉。SAM 在分割图像方面很在行，但在视频方面却不出色，而TMA仅通过少量人工输入，就能很好的实现对视频中物体的跟踪与分割。」
技术介绍
郑锋团队通过以使用者为中介的 SAM 与 VOS 模型的交互式组合，提出了 Track Anything 工具，它拥有强大的视频目标跟踪能力，并提供用户友好的操作界面，只需要简单的点击操作，就可以任意地跟踪用户感兴趣的一个或多个目标区域，还可以根据用户需求灵活调整目标对象，并自带用户纠错和视频编辑功能。其技术流程如下：
1 基于 SAM，用户通过正负样本点的选取，确定目标对象在视频中某一帧的空间区域。
2 使用用户确定的区域作为模板初始化跟踪模型。跟踪过程中，通过建立每个视频帧与模板区域之间的密集关联，实现将用户选取信息向整个视频的传递过程，从而实现目标跟踪。
3 跟踪过程中，用户可以随时暂停，同样通过正负样本选取的方式，实现对其他目标的追踪，或修正当前目标追踪的结果。
4 基于跟踪结果，用户可以使用目标擦除或视频修复功能，实现在视频中对特定区域的编辑。
总之，通过 Track Anything，使用者可以轻松地完成视频中单个或多个目标的精确标注，视频特定区域提取及编辑，以及长时 / 转场视频中的目标跟踪。
相关功能陆续上线中，欢迎大家试用！
郑锋团队不仅在视频领域研发了Track-Anything，还在图像和语言领域还推出了Caption-Anything系统。它是一个多功能的图像处理工具，结合了Segment Anything、Visual Captioning和ChatGPT在图像和语言领域的能力。项目地址：https://github.com/ttengwang/Caption-Anything/。
