近期，浙江大学ReLER实验室将SAM与视频分割进行深度结合，发布Segment-and-Track Anything （SAM-Track）。
SAM-Track赋予了SAM对视频目标进行跟踪的能力，并支持多种方式（点、画笔、文字）进行交互。
在此基础上，SAM-Track统一了多个传统视频分割任务，达成了一键分割追踪任意视频中的任意目标，将传统视频分割外推至通用视频分割。
SAM-Track具有卓越的性能，在复杂场景下仅需单卡就能高质量地稳定跟踪数百个目标。
项目地址：https://github.com/z-x-yang/Segment-and-Track-Anything
论文地址：https://arxiv.org/abs/2305.06558
效果展示
SAM-Track支持语言输入作为Prompt。比如，给定类别文本「熊猫」，便可一键实例级分割追踪所有属于「熊猫」这一类别的目标。
也可进一步给出更详细的描述，比如输入文字「最左边的熊猫」，SAM-Track可以定位至特定目标进行分割追踪。
相较于传统视频追踪算法，SAM-Track的另一个强大之处在于可对大量目标同时进行跟踪分割，并自动检测新出现的物体。
SAM-Track还支持多种交互方式组合使用，用户可根据实际需求搭配。比如使用画笔来框定与人体紧密连接的滑板，防止分割多余物体，而后使用点击选择人体。
全自动视频目标分割与追踪自然也不在话下，各种应用场景包括街景、航拍、AR、动画、医学图像等，均可一键分割追踪并自动检测新出现的物体。
如果对自动分割结果不满意，用户可在此基础上进行编辑修正，例如使用点击来修正过分割的电车。
同时最新版本的SAM-Track支持对追踪结果进行在线浏览，可选择中间任意一帧的分割结果进行修改和新增目标，并再次追踪。
为了方便用户线上体验，项目提供了WebUI，可通过Colab一键部署：
模型组成
SAM-Track模型基于ECCV'22 VOT Workshop四个赛道的冠军方案DeAOT。
DeAOT是一个高效的多目标VOS模型，在给定首帧物体标注的情况下，可以对视频其余帧中的物体进行追踪分割。
DeAOT采用一种识别机制，将一个视频中的多个目标嵌入到同一高维空间中，从而实现了同时对多个物体进行追踪。
DeAOT在多物体追踪方面的速度表现能够与其他针对单个物体追踪的VOS方法相媲美。
此外，通过基于分层的Transformer的传播机制，DeAOT更好地聚合了长时序和短时序信息，表现出了优异的追踪性能。
由于DeAOT需要参考帧的标注来初始化，为了提高便捷性，SAM-Track使用了最近在图像分割领域大放异彩的Segment Anything Model（SAM）模型来获取标注信息。
利用SAM出色的零样本迁移能力，以及多种交互方式，SAM-Track能高效地为DeAOT获取高质量的参考帧标注信息。
虽然SAM模型在图像分割领域表现出色，但它无法输出语义标签，且文本提示也不能很好地支持Referring Object Segmentation及其他依赖深层语义理解的任务。
因此，SAM-Track模型进一步集成了Grounding-DINO，实现了高精度的语言引导的视频分割。Grounding DINO是一个开放集合目标检测模型，具有很好的语言理解能力。
根据输入的类别或目标对象的详细描述，Grounding-DINO可以检测到目标并返回位置框。
SAM-Track模型架构
如下图所示，SAM-Track模型支持了三种物体跟踪模式，分别为交互跟踪模式、自动跟踪模式以及融合模式。
对于交互跟踪模式，SAM-Track模型首先会应用SAM，在参考帧中利用点击或画框的方式选中目标，直到得到用户满意的交互分割结果。
如果想要实现语言引导的视频物体分割，SAM-Track则会调用Grounding-DINO根据输入的文本，先得到目标物体的位置框，并在此基础上通过SAM得到感兴趣物体的分割结果。
最后DeAOT将交互分割结果作为参考帧，对选中的目标进行追踪。在追踪的过程中，DeAOT会将过去帧中的视觉嵌入和高维ID嵌入分层传播到当前帧中，实现逐帧追踪分割多个目标对象。因此，SAM-Track能过支持多模态的交互方式来追踪分割视频中的感兴趣物体。
然而，交互跟踪模式无法处理视频中出现的新出现的物体。限制了SAM-Track在特定领域的应用，例如，自动驾驶，智慧城市等。
为了进一步拓展SAM-Track的应用范围和性能，SAM-Track实现了自动跟踪模式，对视频中出现的新物体进行追踪。
自动跟踪模式通过Segment Everything和Object of Interest Segmentation两种方式来获得每n帧中新出现的物体的注释。对于新出现的物体的ID分配问题，SAM-Track采用了比较掩码模块（CMR）来确定新的对象的ID。
融合模式则是把交互跟踪模式和自动跟踪模式相结合。通过交互式跟踪模式用户可以很方便地获取视频中第一帧的注释，而自动跟踪模式则可以处理视频后续帧中出现的未被选中的新对象。追踪方法的组合扩大了SAM-Track的应用范围，增加了SAM-Track的实用性。
