视觉目标跟踪是计算机视觉中许多子领域的基础，包括机器人视觉和自动驾驶。该任务旨在可靠地识别视频序列中的目标对象。许多最先进的算法在视觉目标跟踪（VOT）挑战中竞争，因为它是跟踪领域中最重要的比赛之一。
视觉目标跟踪和分割竞赛（VOTS2023）取消了以往VOT挑战所施加的一些限制，使参与者可以更广泛地思考目标跟踪。因此，VOTS2023结合了对单个目标的短期和长期监控以及对多个目标的跟踪，仅使用目标分割作为位置指定。这引入了新的困难，例如精确的掩模估计、多目标轨迹跟踪和对象之间的关系识别。
中国大连理工大学和阿里巴巴达摩院的一项新研究提出了一个名为HQTrack的系统，它代表高质量跟踪。它主要包括一个视频多目标分割器（VMOS）和一个掩模优化器（MR）。为了感知复杂设置中的微小对象，研究人员采用了VMOS，这是DeAOT的增强版本，并在1/8比例上级联了一个门控传播模块（GPM）。此外，他们使用Intern-T作为特征提取器，以提高区分不同类型对象的能力。在VMOS中，研究人员仅保留最近使用的帧在长期记忆中，舍弃旧帧以腾出空间。然而，应用大型分割模型来改进跟踪掩模可能是有用的。复杂结构的对象对SAM的预测尤其具有挑战性，并且在VOTS挑战中经常出现。
使用已经预训练的HQ-SAM模型，团队可以进一步提高跟踪掩模的质量。最终的跟踪结果是从VMOS和MR中选择的，并且使用预测掩模的外包围框作为盒子提示，与原始图像一起输入HQ-SAM以获得优化后的掩模。HQTrack在VOTS2023比赛中以0.615的质量得分获得第二名。