复旦造出"超级视频剪刀手"：同时追踪20个目标，速度还一样快

复旦大学和上海财经大学联合团队的一项研究，最近以预印本形式在arXiv上公开（编号2607.08688），引起了计算机视觉领域的不少讨论。说白了，他们搞出了一套名叫SAM-MT的方案，专门解决多目标视频分割中的效率和精度问题。

你有没有想过，自动驾驶汽车在十字路口，它的“眼睛”要同时盯住多少个目标？行人、自行车、公交车、出租车，还有路边突然窜出来的小狗……一个都不能漏，还要实时、精准地判断每个目标的位置和边界。这可不是科幻，而是现代计算机视觉系统正在啃的硬骨头。SAM-MT在这条路上迈出了关键一步。

当前业界最强的视频目标分割工具，比如Meta AI开源的SAM2，虽然能精准地把视频里某个物体圈出来并持续追踪，但有个致命短处：每多追一个目标，系统就要多跑一遍完整的计算流程。就好比一个厨师，不管做几道菜，都得从头收拾一遍厨房才能下锅。追1个目标时，SAM2能跑到每秒37帧，流畅得很；追3个目标，就跌到17.8帧；追5个目标，只剩12.4帧——画面已经开始卡顿。再多个目标，系统基本就跑不动了。

SAM-MT的核心思路，就是彻底改掉这种“追一个、算一遍”的低效模式，让系统无论面对多少个目标，计算量都几乎不变。结果很震撼：追踪10个目标时，SAM-MT仍然能跑到36帧以上的实时速度，跟追单个目标时几乎一样，是SAM2在同等条件下的6倍。同时，它在六个主流视频分割基准测试上的准确率，依然与SAM2的最强版本旗鼓相当，部分场景还略有超越。

一、多目标追踪的老大难：为什么加一个目标就慢这么多

要理解SAM-MT解决了什么问题，得先搞清楚传统方法是怎么运转的，以及它在哪里卡了壳。

视频目标分割，通俗地说，就是在视频的每一帧里，把你指定的那个东西（比如一只猫、一辆红色轿车）精确地“涂出来”，并且随着视频播放，这个“涂色区域”要始终跟着目标走，不跑偏、不认错。这个任务背后最流行的技术框架叫“时空记忆网络”（STM范式），核心思路是给每个被追踪的目标建一个专属的“记忆本”，记录这个目标历史上长什么样、在哪里出现过，然后在新的一帧里，把当前画面和记忆本做比对，找到目标的位置，再精确地把它圈出来。

这个记忆本非常“厚重”——它存储的是像素级别的特征图，一张高清图片里有数千个像素点，每个点都要记录一套复杂的特征描述。追踪一个目标，维护一本记忆本；追踪两个目标，就得同时维护两本——而且每处理一帧新画面，所有的比对、更新、解码操作都得对每本记忆本各做一遍。这就像一个办公室职员，每多接手一个客户案例，就要把整套接待流程完整走一遍，客户越多，他就越忙，而且是线性地越来越忙，没有尽头。

后来出现了STCN、XMem、Cutie等改进方案，它们做了一个聪明的优化：提取图像特征这一步，可以所有目标共享，只算一次。这确实减少了一部分重复计算，但问题的根源没有被触动——每个目标的“专属记忆匹配”和“专属掩码解码”，仍然需要独立地跑一遍。打个比方，这就像多个厨师共用一台打蛋机来打蛋液，但每人还是要独立完成切菜、炒锅、摆盘全套流程。共用的那台机器省了点时间，但整体的忙碌程度仍然随人数线性增长。

还有一种听起来聪明、实则行不通的方法：干脆把所有目标合并成一个大目标来追踪。比如同时追踪三辆车，就把三辆车的轮廓合并成一个奇形怪状的大轮廓，当成一个目标来处理。这样确实只用算一遍，但代价是失去了“谁是谁”的身份信息——你不再知道这是第一辆车还是第三辆车——而且这个合并出来的怪形状，在现实世界中根本不存在，AI模型是用真实物体的图片训练出来的，它根本认不出这个东西，很快就会追丢。论文里专门做了实验验证这一点：让SAM2追踪三辆合并后的“超级车”，很快就彻底失去了目标。

二、SAM-MT的核心思路：用“通缉令”代替“全程录像”

SAM-MT的解法，可以用一个侦探团队办案的比喻来理解。

传统方法就像这样：团队里有10个嫌疑人需要监视，就派10个侦探，每人全程跟踪一个嫌疑人，各自记录详细的行动录像，互不干扰，但人手成本随嫌疑人数量线性增长。

SAM-MT换了一种玩法：整个团队共享一套城市监控系统（这是“全局上下文”），掌握所有嫌疑人所在区域的大环境信息；同时，每个嫌疑人只有一张精简的“通缉令”（这就是“目标查询”，target query），上面记录了这个人的关键特征。侦探们用共享的监控系统扫描全局环境，同时拿着各自的通缉令在里面找对应的人，一次扫描，所有人同时完成比对。新增再多嫌疑人，也只是多几张通缉令而已，监控系统本身不需要重新跑一遍。

在技术层面，SAM-MT在SAM2的架构基础上做了以下几项关键改造，每一项都至关重要，共同构成了这套系统的完整解法。

三、解耦掩码注意力：让“通缉令”彼此不干扰

多目标同时处理的最大风险是“串台”——追踪猫的那套特征，和追踪狗的那套特征，可能会相互影响，导致AI搞混了谁是谁。

SAM-MT用一个叫做“解耦掩码注意力”（Decoupled Masked Attention）的机制来解决这个问题。在AI的注意力计算中，有一种操作叫“自注意力”，让所有的“查询”（queries）互相交流信息、相互参考。在多目标场景里，如果来自不同目标的查询可以随意交流，那么A目标的信息就会流入B目标的描述里，最终导致身份混乱。

SAM-MT的做法是在这个交流过程中加一张“隔离屏障”：不同目标的专属查询之间，交流被直接屏蔽，设置为负无穷（相当于“对方根本不存在”）；但所有目标的专属查询，都可以自由地与代表全局环境的“全局查询”交流。用侦探比喻来说：各位侦探拿着自己的通缉令，不能互相分享内容、以免混淆嫌疑人特征，但他们都可以查阅公共的城市地图和监控档案，了解大环境。这样，每个目标既保持了自己的独立身份，又都能感知到整个场景的全局信息，二者不再是非此即彼的选择。

数学层面上，这个隔离屏障用一个注意力掩码矩阵M来实现：矩阵里，全局查询与所有查询之间的位置填0（允许交流），同一目标的查询彼此之间填0（允许交流），不同目标的查询之间填负无穷（完全阻断）。这个设计精巧地同时实现了两个目标：保护身份的独立性，同时共享全局上下文。

研究团队通过消融实验验证了这个设计的必要性。如果去掉隔离屏障，让所有目标的查询自由混合，准确率（J&F指标）会从43.0骤降到37.5，足足跌了5.5个百分点；反过来，如果把隔离做得过头，连全局查询也被隔离，准确率则降到39.3，跌了3.7个百分点。只有“解耦”这个恰到好处的中间状态，才能同时保住身份和上下文。

四、查询聚合：把多个“线索”压缩成一张“通缉令”

在用户第一次指定目标时，可以对同一个目标点多个点（正点击表示“这里是我要追踪的”，负点击表示“这里不是”），提供更精确的初始描述。这些多个点会产生多个初始查询。

SAM-MT用一个轻量级的“加权头”（MLP-based weighting head）把这些多个查询合并成一个单一的“目标查询”：系统会自动评估每个点的重要性，给重要的点更高的权重，然后加权平均，得到一个最具代表性的单一向量。这个单一向量就是后续帧中代表这个目标的“通缉令”。

从第二帧开始，每个目标只有一个查询在流转，既简洁，又携带了最关键的身份信息。这个设计把初始帧“点多个点”的灵活性，与后续帧“单一查询”的高效性，优雅地衔接在了一起。

五、稀疏记忆：用“关键词档案”替代“全程录像带”

SAM2的记忆系统非常“重”：它存储的是每一帧图像的像素级特征图，一帧图像大约有4096个特征“像素点”，每个点都有一套完整的特征描述。如果为每个目标单独维护这样一套记忆，随着目标数量增加，内存占用会急剧膨胀。

SAM-MT的应对方案是引入“基于查询的稀疏记忆”（Query-based Sparse Memory）。核心思路是：不再给每个目标存储完整的像素级记忆，而是只存储那个经过聚合的“目标查询”——一个目标，一帧，只有一个向量。

这个设计的压缩效率极高。用数字来说，传统方法每帧每目标需要存储4096个特征点，而SAM-MT只需要1个查询向量。这意味着同样的内存，SAM-MT可以往记忆库里存放多得多的历史帧，从而让系统“记住”更长时间跨度里目标的变化。这对于处理目标被遮挡后重新出现的场景尤为重要——记忆越长，就越不容易在目标消失一段时间后把它认错。

实验数据印证了这一点：在长序列基准测试LVOSv2和LVOSv1上，SAM-MT比SAM2.1-B+分别高出了2.0和2.3个百分点，而这两个数据集正是专门考验长时序追踪能力的。内存占用方面，追踪20个目标时，SAM2.1-B+需要8585MB显存，SAM-MT只需要3785MB，相差悬殊。

在稀疏记忆的具体组织上，SAM-MT采用先进先出（FIFO）的滑动窗口策略：始终保留第一帧的目标查询（因为那是用户初始指定的“基准形象”），以及最近T-1帧的目标查询。论文实验测试了不同窗口大小（8、12、16、32帧）的效果，最终选定16帧作为速度与精度的最佳平衡点。

六、身份变换器：确保“通缉令”随时间自动更新

目标不是静止的，它们会运动、旋转、被遮挡、改变姿态。一张在视频开头拍的“通缉令”，到了视频后半段可能已经不太准确了。SAM-MT用“身份变换器”（Identity Transformer）来解决这个问题。

在每一帧处理结束后，当前帧的目标查询会被存入稀疏记忆。在处理下一帧时，身份变换器会让上一帧的目标查询，去“查阅”稀疏记忆里这个目标的所有历史查询，通过注意力机制综合参考历史信息，对当前查询进行更新和校正。这就像侦探每天下班前，会把今天观察到的新线索与历史档案对比，更新对嫌疑人最新状态的判断，让明天的追踪更精准。

身份变换器同样引入了一个“身份感知掩码”：每个目标的查询只能查阅自己历史档案里的记录，不能跨目标查阅，从而杜绝了历史记忆层面的“串档”风险。消融实验表明，去掉这个掩码后，J&F指标会下降3.9个百分点。此外，研究团队测试了不同深度（1层、3层、5层）的变换器，最终选择3层，以在精度和速度之间取得平衡。

七、训练策略：让模型学会应对现实的复杂性

一个好的模型框架，还需要配套合理的训练策略才能发挥出应有的潜力。SAM-MT在训练上采取了几个有针对性的设计。

训练分为两个阶段：第一阶段在静态图片上训练，确保模型能够准确地从点击信号出发，一次性完成多目标的图像分割；第二阶段在视频序列上训练，强化跨帧的身份一致性。这个“先学静态、再学动态”的课程式学习策略，让基础打得更扎实。实验表明，去掉图像预训练阶段，准确率会下降2.7个百分点。

帧采样策略也经过精心设计。传统方法通常采样相邻的连续帧，这对于应对快速运动有好处，但对于“目标消失后重新出现”这种长时间跨度的事件，相邻帧的训练几乎没有帮助。SAM-MT采用“跨步采样”：每次训练取8帧，其中一部分是连续帧（捕捉短期运动），另一部分是间隔4帧的跨步采样（覆盖更长的时间窗口，最多跨越32帧）。去掉跨步采样后，准确率下降1.3个百分点，而且在目标重新出现的场景中，系统会频繁认错目标。

重叠惩罚损失函数是另一个关键设计。在多目标场景中，如果两个目标的预测掩码出现重叠（即同一个像素被判定属于两个不同目标），就意味着身份出现了混乱。SAM-MT在损失函数里加入了一项专门的惩罚项：对于目标i的预测概率图，计算它与所有其他目标概率图的逐元素乘积，取平均值作为惩罚项，鼓励模型尽量输出互不重叠的掩码。这在羊群、车队等密集场景里效果尤为明显，能显著减少同一像素被多个目标“抢占”的混乱情况。

八、实验结果：数字背后的真实表现

SAM-MT在六个主流视频分割基准测试上进行了全面评估，每一个都代表了不同的真实挑战场景。

MOSEv2和MOSEv1是专门收录了频繁遮挡、快速运动、低光照、目标密集等极端场景的数据集。SAM-MT在MOSEv2上达到43.0分（J&F指标），超过了之前最好的结果Cutie的42.8分和SAM2.1-B+的41.1分。值得注意的是，SAM-MT和SAM2.1-B+都使用点击初始化，而其他方法使用的是更为“作弊”的真实标注掩码初始化，这意味着SAM-MT在更弱的初始条件下取得了更好的结果。

LVOSv2和LVOSv1是专注于长时序追踪的数据集，视频更长，目标会长时间消失后重新出现。这正是稀疏记忆设计的主场，SAM-MT的优势也最为突出：在LVOSv2上达到76.6分，比SAM2.1-B+的74.6高出2.0分；在LVOSv1上达到73.6分，比SAM2.1-B+的71.3高出2.3分。

SA-V val和SA-V test是包含大量遮挡和局部目标（如只露出头的人）的数据集，SAM-MT同样与SAM2.1-B+持平，在val上分别为66.1对65.6，在test上并列于66.4对66.1。

速度方面的对比最为直观。研究团队专门构建了一个合成基准测试，包含20个视频序列，目标数量从1个到20个分布，每个序列100帧，用来测量不同方法在不同目标密度下的帧率变化。在单目标时，SAM-MT和SAM2.1-B+的帧率相同，都是37.2帧/秒。但随着目标数量增加，SAM2.1-B+的帧率急剧下滑：3个目标时17.8帧，5个目标时12.4帧，9个目标时7.8帧，20个目标时只剩3.7帧。SAM-MT的帧率曲线则近乎水平：3个目标36.8帧，9个目标36.3帧，20个目标35.4帧，几乎感受不到任何差异。

在真实的视频数据集上，这种差距同样显著。以MOSEv2数据集中包含5个以上并发目标的子集为例，SAM-MT的帧率从整体的36.9帧仅轻微下降到35.8帧，而SAM2.1-B+从32.1帧骤跌至11.5帧，Cutie（1024p分辨率）从21.3帧跌至10.2帧。

九、真实场景中的表现：密集、相似、遮挡

研究团队还做了一系列定性实验，在真实视频里直观展示了SAM-MT的效果。

在高密度场景中，包括马戏表演（多个演员持续交叉移动）、鸭群（大量外观相似的鸭子）、团体健身课（十几个动作相似的参与者），SAM-MT都能为每个指定目标维持精确、稳定的分割轮廓，不同目标的颜色标记清晰分明，几乎没有出现混淆或丢失目标的情况。

在身份模糊场景中（如多只熊猫在草地上玩耍、多辆公交车在站台前停靠、台球游戏中多个颜色相近的球），SAM2.1-B+的表现是：开始时追踪正常，但过了一段时间后，要么丢失了某个目标，要么把两个目标的身份搞混，用错误的颜色标记了目标。SAM-MT则全程保持了正确的身份标记，多只外观相近的目标始终被用不同颜色准确区分。

这背后的原理差异在于：SAM-MT通过解耦掩码注意力，让全局上下文信息在所有目标之间共享，这使得系统在做判断时，知道场景里还有其他目标存在，可以利用“这个区域已经被另一个目标占据了”这样的信息来辅助判断；而SAM2每个目标完全独立处理，对其他目标的存在一无所知，更容易被相似的干扰物迷惑。

说到底，SAM-MT做的事情并不神秘——它就是把“追踪多个目标”这个问题，从“一个接一个地串行处理”变成了“一次全部并行处理”，同时通过精巧的隔离机制确保不同目标的信息互不干扰。这种思路的转变，让速度和效率的提升几乎是量级上的。

对普通人而言，这项研究意味着：未来的视频监控系统、自动驾驶视觉模块、运动分析工具，在处理密集多目标场景时，不再需要在“追踪精度”和“实时速度”之间艰难取舍。当然，SAM-MT目前仍然是纯视觉的系统，它看得懂画面，却不理解画面的语义——比如它能把一只猫精确圈出来，但它不知道这只猫正在捉弄它旁边的那只狗。研究团队也指出，将这套高效的多目标追踪框架与多模态大模型结合，是下一步值得探索的方向。

有兴趣深入了解技术细节的读者，可以通过arXiv编号2607.08688查阅完整论文，代码也已在GitHub的FudanCVL/SAM-MT仓库开源。

Q&A

Q1：SAM-MT追踪多个目标为什么比SAM2快这么多？

A：SAM2追踪多个目标时，每新增一个目标就要完整重跑一遍记忆匹配和掩码解码，速度随目标数量线性下降。SAM-MT用轻量级“目标查询”代替了每个目标的完整像素级记忆，所有目标共享一套图像处理流程并行处理，增加目标只是多了几个查询向量，计算量几乎不变，所以追踪10个目标的速度依然能达到36帧以上。

Q2：SAM-MT是怎么避免追踪多个目标时把身份搞混的？

A：SAM-MT设计了“解耦掩码注意力”机制：不同目标的专属查询之间被完全隔离，不能相互参考，避免了特征污染；但所有目标都可以访问代表全局场景的公共查询，保持对整体环境的感知。同时，身份变换器在更新每个目标的查询时，也严格限制每个目标只查阅自己的历史档案，从根本上切断了跨目标的“串台”路径。

Q3：SAM-MT在哪些实际场景里能用上？

A：SAM-MT适合任何需要实时追踪多个物体的场景。自动驾驶需要同时追踪周围所有行人和车辆；体育分析需要实时标记场上所有球员的运动轨迹；视频监控需要持续识别多个嫌疑目标；机器人导航需要同时感知多个障碍物。这套方案在目标密集时仍能保持实时速度，正好满足这类场景对“快”和“多”的双重需求。