影片物件分割

影片物件分割為影片的每一格產生目標物體的「逐像素精確遮罩」（mask），不只是一個邊界框，而是精確的輪廓，並隨時間追蹤。最具代表性、研究最多的設定是半監督 VOS：你只在第一格獲得真值遮罩，系統必須把該遮罩向前傳播到整段片段，跟隨物體移動、形變與外觀變化。

有三種問題設定。半監督（one-shot）VOS 提供第一格遮罩並加以傳播。無監督 VOS 不給任何遮罩，必須自動發現並分割最顯著的移動物體。互動式 VOS 讓使用者在少數幾格上加塗鴉或點擊，並精修遮罩。方法由「逐影片的線上微調」（OSVOS 在第一格的遮罩上微調一個網路，準確但緩慢）演進到「比對與傳播」，最終形成時空記憶網路（space-time memory networks，STM、STCN）：把過去的影格及其遮罩存成一個記憶庫，並透過對該記憶做注意力（像素比對）來分割每一張新影格。近期的 SAM 2 以一個記憶模組統一了可提示（promptable）的影像與影片分割，並立下強勁的新標竿。

標準基準是 DAVIS（高品質、多為單一顯著物體）與 YouTube-VOS（大規模、多物件），以區域準確度 J（遮罩交並比 IoU）與邊界準確度 F（輪廓匹配）評估，通常以 J&F 平均。長期難題包括遮擋與再現、快速運動與運動模糊、劇烈外觀變化，以及多個相似實例的消歧——這些都可能使傳播中的遮罩漂移、滲漏到背景，或對調物體。