محققان در یک دستاورد تازه، مدل جدید «SAM-MT» را معرفی کردهاند که دنیای بخشبندی ویدیو (Video Segmentation) را متحول میکند. این مدل که بر پایه SAM2 ساخته شده، به طور اختصاصی برای ردیابی و تفکیک همزمان چندین هدف در ویدیوها طراحی شده است.
نکته کلیدی اینجاست: تا پیش از این، پردازش چندین هدف در یک ویدیو باعث افت شدید سرعت و تأخیر میشد، اما SAM-MT با استفاده از «پرسوجوهای صریح» (Explicit Queries) و توجه ماسکشده، توانسته سرعت ریلتایم را حتی با ۱۰ هدف مختلف حفظ کند (بیش از ۳۶ فریم بر ثانیه!).
این یعنی در آیندهای نزدیک، رباتها و سیستمهای نظارت تصویری میتوانند بسیار دقیقتر و سریعتر، چندین شیء مختلف را در لحظه تشخیص داده و دنبال کنند.
منبع: arXiv Computer Vision