本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

來(lái)自南方科技大學(xué)的這款視頻分割模型，可以追蹤視頻中的任意事物。

不僅會(huì)“看”，還會(huì)“剪”，從視頻中去掉個(gè)人，對(duì)它來(lái)說(shuō)也是輕輕松松的事。

而操作上，你唯一需要做的就是點(diǎn)幾下鼠標(biāo)。

這位特效藝術(shù)家看到消息后仿佛找到了救星，直言這一產(chǎn)品將改變CGI行業(yè)的游戲規(guī)則。

這款模型叫做TAM（Track Anything Model），是不是和Meta的圖像分割模型SAM名字很像？

的確，TAM就是將SAM擴(kuò)展到了視頻領(lǐng)域，點(diǎn)亮了動(dòng)態(tài)物體追蹤的技能樹(shù)。

視頻分割模型其實(shí)不是新技術(shù)了，但傳統(tǒng)的分割模型并沒(méi)有減輕人類(lèi)的工作。

這些模型使用的訓(xùn)練數(shù)據(jù)全部需要人工標(biāo)注，甚至在使用時(shí)還需要先用特定物體的遮罩參數(shù)進(jìn)行初始化。

SAM的出現(xiàn)為解決這一問(wèn)題提供了前提——至少初始化數(shù)據(jù)不再需要人工獲取。

當(dāng)然，TAM也并不是逐幀使用SAM再疊加，還需要構(gòu)建對(duì)應(yīng)的時(shí)空關(guān)系。

團(tuán)隊(duì)將SAM與名為XMem的記憶模塊進(jìn)行了集成。

只需要在第一幀中用SAM生成初始參數(shù)，XMem便可以指導(dǎo)接下來(lái)的追蹤過(guò)程。

追蹤的目標(biāo)還可以是很多個(gè)，比如下面的清明上河圖：

甚至場(chǎng)景發(fā)生改變，也不影響TAM的表現(xiàn)：

我們體驗(yàn)了一番發(fā)現(xiàn)，TAM采用了交互式用戶界面，操作上十分簡(jiǎn)單友好。

硬實(shí)力方面，TAM的追蹤效果的確也不錯(cuò)：

但是，消除功能在一些細(xì)節(jié)上的精確度還有待提高。

從SAM到TAM

前文已經(jīng)提到，TAM是在SAM的基礎(chǔ)之上結(jié)合記憶能力建立時(shí)空關(guān)聯(lián)實(shí)現(xiàn)的。

具體而言，第一步是借助SAM的靜態(tài)圖像分割能力對(duì)模型進(jìn)行初始化。

只需一次點(diǎn)擊，SAM就能生成目標(biāo)物體的初始化遮罩參數(shù)，代替了傳統(tǒng)分割模型中的復(fù)雜初始化過(guò)程。

有了初始參數(shù)，團(tuán)隊(duì)就可以將它交給XMem，進(jìn)行半人工干預(yù)訓(xùn)練，大大減少了人類(lèi)工作量。

在這一過(guò)程中，會(huì)有一些人工預(yù)測(cè)結(jié)果被用于和XMem的輸出進(jìn)行比較。

實(shí)際過(guò)程中，隨著時(shí)間的增長(zhǎng)，得到準(zhǔn)確的分割結(jié)果對(duì)XMem變得越來(lái)越困難。

當(dāng)結(jié)果與預(yù)期差距過(guò)大時(shí)，將進(jìn)入再分割環(huán)節(jié)，這一步還是由SAM完成。

經(jīng)過(guò)SAM的再優(yōu)化，大部分輸出結(jié)果已比較準(zhǔn)確，但還有一部分需要人工再調(diào)整。

TAM的訓(xùn)練過(guò)程大致就是這樣，而開(kāi)頭提到的物體消除的技能是TAM與E²FGVI結(jié)合形成的。

E²FGVI本身也是一個(gè)視頻元素消除工具，在TAM精準(zhǔn)分割的加持下，其工作更加有的放矢。

為了測(cè)試TAM，團(tuán)隊(duì)使用了DAVIS-16和DAVIS-17數(shù)據(jù)集對(duì)其進(jìn)行了評(píng)估。

直觀感受還是很不錯(cuò)的，從數(shù)據(jù)上看也的確如此。

TAM雖然無(wú)需手工設(shè)置遮罩參數(shù)，但其J（區(qū)域相似度）和F（邊界準(zhǔn)確度）兩項(xiàng)指標(biāo)已十分接近手工模型。

甚至在DAVIS-2017數(shù)據(jù)集上的表現(xiàn)還略勝于其中的STM。

其他初始化方式中，SiamMask的表現(xiàn)根本無(wú)法和TAM相提并論；

另一種名為MiVOS方法雖然表現(xiàn)好于TAM，但畢竟已經(jīng)進(jìn)化了8輪……

團(tuán)隊(duì)簡(jiǎn)介

TAM來(lái)自南方科技大學(xué)視覺(jué)智能與感知（VIP）實(shí)驗(yàn)室。

該實(shí)驗(yàn)室研究方向包括文本-圖像-聲音多模型學(xué)習(xí)、多模型感知、強(qiáng)化學(xué)習(xí)和視覺(jué)缺陷檢測(cè)等。

目前團(tuán)隊(duì)已發(fā)表論文30余篇，獲得專(zhuān)利5項(xiàng)。

團(tuán)隊(duì)領(lǐng)導(dǎo)人是南方科技大學(xué)鄭鋒副教授，博士畢業(yè)于英國(guó)謝菲爾德大學(xué)，先后供職于中科院深研院、騰訊優(yōu)圖等機(jī)構(gòu)，于2018年進(jìn)入南科大，2021年晉升為副教授。

論文地址：
https://arxiv.org/abs/2304.11968
GitHub頁(yè)面：
https://github.com/gaomingqi/Track-Anything
參考鏈接：
https://twitter.com/bilawalsidhu/status/1650710123399233536?s=20