论文页面 - 结合运动、几何与语义适配的复杂非线性视觉目标追踪分割一切模型

来源：https://huggingface.co/papers/2605.22538

摘要

SAMOSA 通过引入运动预测、语义检测和几何约束，对 SAM 2 进行适配，以提升在复杂场景下视觉目标追踪的鲁棒性和泛化能力。

传统视觉目标追踪（VOT）方法通常依赖任务特定的监督训练，这限制了其对未见目标及存在干扰物、遮挡和非线性运动的挑战性场景的泛化能力。近期以 SAM 2 为代表的视觉基础模型，通过大规模预训练学习到强大的视频理解先验知识，为构建更鲁棒、更具泛化性的追踪器提供了有前景的基础。然而，直接将 SAM 2 应用于 VOT 仍非最优，因为它没有显式建模目标的运动动态，也未在帧间施加几何和语义一致性约束，而这两点对于可靠追踪至关重要。为解决此问题，我们提出 SAMOSA，一种新的追踪框架，通过显式利用运动、几何和语义线索将 SAM 2 适配到复杂 VOT 场景。具体来说，我们引入一个轻量级非线性运动预测器来建模目标动态，并指导掩码选择和记忆过滤。我们进一步利用语义线索检测目标偏移并从追踪失败中恢复，同时将几何线索作为结构约束以提高追踪稳定性。通过这种方式，SAMOSA 弥合了 SAM 2 隐式视频理解先验与显式面向追踪建模之间的差距。大量实验表明，SAMOSA 在通用基准测试上持续优于基于 SAM 2 的最先进方法，展现出比有监督 VOT 方法更强的泛化能力，并在典型非线性运动场景的反无人机数据集上取得了显著提升。我们的代码已在 https://github.com/DurYi/SAMOSA 公开。

查看 arXiv 页面 (https://arxiv.org/abs/2605.22538) 查看 PDF (https://arxiv.org/pdf/2605.22538) GitHub1 (https://github.com/DurYi/SAMOSA) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.22538)

在您的 agent 中获取本文：

hf papers read 2605.22538

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型0

尚无模型关联本文

在模型 README.md 中引用 arxiv.org/abs/2605.22538 即可在此页面链接该模型。

引用本文的数据集0

尚无数据集关联本文

在数据集 README.md 中引用 arxiv.org/abs/2605.22538 即可在此页面链接该数据集。

引用本文的 Spaces0

尚无 Space 关联本文

在 Space README.md 中引用 arxiv.org/abs/2605.22538 即可在此页面链接该 Space。

包含本文的收藏0

尚无收藏包含本文

将本文添加到收藏 (https://huggingface.co/new-collection) 即可在此页面链接该收藏。