声明:本文来自于微信公众号量子位 | 公众号 QbitAI，作者:金磊，授权站长之家转载发布。
Meta的视频版分割一切——Segment Anything Model2（SAM2），又火了一把。
因为这一次，一个全华人团队，仅仅是用了个经典方法，就把它的能力拔到了一个新高度——
任你移动再快，AI跟丢不了一点点!
例如在电影《1917》这段画面里，主角穿梭在众多士兵之中，原先的SAM2表现是这样的:
嗯，当一大群士兵涌入画面的时候，SAM2把主角给跟丢了。
但改进版的SAM2，它的表现截然不同:
这个改进版的SAM2，名叫SAMURAI（武士），由华盛顿大学全华人研究团队提出。
一言蔽之，这项工作就是把SAM2之前存在的缺点（记忆管理方面的局限性）给填补上了。
更有意思的是，这项改进工作所用到的核心关键方法，是非常经典的卡尔曼滤波器（Kalman Filter，KF）。
并且还是无需重新训练、可以实时运行的那种!
前谷歌产品经理、国外知名博主Bilawal Sidhu在看完论文后直呼“优雅”:
有时候你不需要复杂的全新架构——只需要聪明地利用模型已知的信息，再加上一些经过验证的经典方法。
我们的“老朋友”卡尔曼滤波器，这么多年过去了，它的表现依然如此出色。有时候老派的方法就是管用。
嗯，颇有一种“姜还是老的辣”的感觉了。
黑悟空、女团舞蹈，统统都能hold住
我们先继续看下SAMURAI能力实现的更多效果。
团队在项目主页中便从多个不同维度秀了一波实力。
首先就是打斗游戏场景，例如在《只狼:影逝二度》中，即便人物都“弹出”了画面，SAMURAI也能再次把目标捕捉回来:
《黑神话:悟空》的打斗名场面，人物动作变化可以说是非常之快，而且和背景非常复杂的交织在一起。
即便如此，SAMURAI也能精准跟踪，细节到金箍棒的那种:
但毕竟这两个游戏场景的例子，所涉及到的主体还不够多，那么我们接下来继续看下更复杂的case。
例如橄榄球比赛场景，不仅人物移动的快，后来队员们都扑到了一起，SAMURAI也能hold住:
在女团舞蹈的案例中，人物在变换队形的时候都已经被其他队员挡住了，也挡不住SAMURAI的“眼神锁定你”:
很work的经典方法
在看完效果之后，我们接下来扒一扒SAMURAI的技术细节。
正如我们刚才提到的，这项工作弥补了SAM2此前存在的缺点。
主要的问题就是处理视觉目标跟踪时，尤其是在拥挤场景中快速移动或遮挡的物体时，它会出现跟丢了的情况。
SAM2的组成部分包括图像编码器、掩码解码器、提示编码器、记忆注意力层和记忆编码器。
在视觉目标跟踪中，SAM2使用提示编码器来处理输入的提示信息，如点、框或文本，这些提示信息用于指导模型分割图像中的特定对象。
掩码解码器则负责生成预测的掩码，而记忆注意力层和记忆编码器则用于处理跨帧的上下文信息，以维持长期跟踪。
然而，SAM2在处理快速移动的对象或在拥挤场景中，往往忽视了运动线索，导致在预测后续帧的掩码时出现不准确。
特别是在遮挡发生时，SAM2倾向于优先考虑外观相似性而非空间和时间的一致性，这可能导致跟踪错误。
而SAMURATI，作为SAM2的增强版，可以说是很好地解决了此前的痛点。
整体来看，SAMURAI主要包含两个技术关键点:
- 运动建模（Motion Modeling）
- 运动感知记忆选择（Motion-Aware Memory Selection）
让目标“动”起来
运动建模部分的目的是有效地预测目标的运动，从而在复杂场景中，如拥挤场景或目标快速移动和自遮挡的情况下，提高跟踪的准确性和鲁棒性。
而这里用到的具体方法，就是那个经典的卡尔曼滤波器，以此来增强边界框位置和尺寸的预测，从而帮助从多个候选掩码中选择最有信心的一个。
在SAMURAI中，状态向量包括目标的位置、尺寸及其变化速度;通过预测-校正循环，卡尔曼滤波器能够提供关于目标未来状态的准确估计。
目标的状态向量被定义为:
其中，x和y表示目标边界框的中心坐标;w和h表示边界框的宽度和高度;后四个变量则表示坐标与尺寸的速度。
滤波的过程则主要分为两个步骤。
第一个就是预测阶段，即根据目标的上一帧状态，预测下一帧位置:
其中，F是状态转移矩阵。
第二个则是更新阶段，会结合实际测量值（目标的候选掩膜），校正预测值:
在运动建模部分，除了基于卡尔曼滤波器的运动预测之外，还涉及运动分数（Motion Score）。
主要是通过计算 Kalman 滤波器预测的边界框与候选掩膜之间的交并比（IoU），生成运动分数sKf，用以辅助掩膜选择:
最终的掩膜选择基于运动分数与掩膜亲和分数的加权和:
挑出最关键的记忆
SAMURAI第二个关键技术，则是运动感知记忆选择（Motion-Aware Memory Selection）。
主要是为了解决SAM2的固定窗口记忆机制容易引入错误的低质量特征，导致后续跟踪的误差传播的情况。
这部分首先涉及一个混合评分系统，包括掩膜分数、目标出现分数和运动分数三种评分，用于动态选择记忆库中最相关的帧。
- 掩膜分数smask:衡量掩膜的准确性。
- 目标出现分数 sobj:判断目标是否存在于该帧中。
- 运动分数 skf:预测目标位置的准确性。
其次是一个记忆选择机制——
如果某帧满足以下条件，则其特征会被保留到记忆库中:
动态选择的记忆库可以跳过遮挡期间的低质量特征，从而提高后续帧的预测性能。
从实验结果来看，SAMURAI在多个视觉目标跟踪基准上表现出色，包括 LaSOT、LaSOText和GOT-10k数据集。
值得一提的是，SAMURAI是在无需重新训练或微调的情况下，在所有基准上都超过了SAM2，并与部分有监督方法（如 LoRAT 和 ODTrack）表现相当。
全华人团队出品
SAMURAI这项工作背后的研究团队，有一个亮点便是全华人阵容。
例如Cheng-Yen Yang，目前是华盛顿大学电气与计算机工程系的一名四年级博士生。
研究方向主要包括在复杂场景（水下，无人机，多相机系统）中的多目标跟踪(单视图，多视图，交叉视图)。
Hsiang-Wei Huang和Zhongyu Jiang也是华盛顿大学电气与计算机工程系的博士生，而Wenhao Chai目前则是攻读研究生。
他们的导师是华盛顿大学教授Jenq-Neng Hwang。
他是IEEE信号处理协会多媒体信号处理技术委员会的创始人之一，自2001年以来，黄教授一直是IEEE院士。
关于SAMURAI更多内容，可戳下方链接。
项目地址:
https://yangchris11.github.io/samurai/
论文地址:
https://arxiv.org/abs/2411.11922
参考链接:
[1]https://x.com/EHuanglu/status/1860090091269685282
[2]https://x.com/bilawalsidhu/status/1860348056916369881