CVPR 2025 | 视觉-语言模型与SAM2的结合水下伪装目标跟踪

主要观点总结

本文介绍了论文“Underwater Camouflaged Object Tracking Meets Vision-Language SAM2”的主要内容。该论文构建了首个大规模多模态水下伪装目标跟踪数据集UW-COT220，并提出了全新的视觉-语言跟踪框架VL-SAM2。本文还分析了该论文的方法论和实验结果，并介绍了论文推广的相关内容。

关键观点总结

关键观点1: 论文创新点

构建了首个大规模多模态水下伪装目标跟踪数据集UW-COT220；提出了基于视频基础模型SAM2的全新视觉-语言跟踪框架VL-SAM2；在UW-COT220数据集上，VL-SAM2的性能超越了当前最先进的跟踪方法。

关键观点2: 方法介绍

VL-SAM2由视觉分支、语言分支和运动感知目标预测（MATP）模块组成。采用卡尔曼滤波的MATP用于减轻模型漂移。作者使用了Hiera-L作为图像编码器，CLIP ViT-B/32作为语言编码器。

关键观点3: 实验与分析

论文对VL-SAM2进行了多方面分析，包括提示方式影响、模型大小与速度关系、语言编码器影响、泛化能力分析以及消融实验。这些分析为该框架的优化和应用提供了详细的理论支持。