金磊 发自 凹非寺
量子位 | 公众号 QbitAI
Meta的视频版分割一切——Segment Anything Model 2（SAM 2），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SAM 2表现是这样的：
嗯，当一大群士兵涌入画面的时候，SAM 2把主角给跟丢了。
但改进版的SAM 2，它的表现截然不同：
这个改进版的SAM 2，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SAM 2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SAM 2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。
SAM 2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，SAM 2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，SAM 2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，SAM 2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SAM 2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SAM 2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SAM 2，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
