研究团队提出了Segment Anything Model 2（SAM 2），是一个解决图像和视频中可提示的视觉分割的基础模型。SAM 2是一个简单的Transformer架构，具有流式存储器，用于实时视频处理。在广泛的任务中，SAM 2表现出强大的性能，比之前的方法使用更少的交互获得更好的准确性。研究团队相信他们的数据、模型和见解将成为视频分割和相关感知任务的重要里程碑。他们将发布模型的一个版本、数据集和一个交互式演示。

我们提出了Segment Anything Model 2（SAM 2），是一个解决图像和视频中可提示的视觉分割的基础模型。SAM 2是一个简单的Transformer架构，具有流式存储器，用于实时视频处理。在广泛的任务中，SAM 2表现出强大的性能，使用3倍少的交互获得更好的准确性。在图像分割中，SAM 2比Segment Anything Model（SAM）更准确且速度快6倍。将发布模型的一个版本、数据集和一个交互式演示。

本文提出了一种将全局结构化计算形式化整合到深度计算架构中的方法，通过开发新的基于矩阵变化的backpropagation理论和实践，适用于机器学习或计算感知问题。实验结果表明，使用矩阵反向传播的深度网络在视觉分割方面优于没有利用全局层的对应网络。

该论文提出了一种基于文本监督的语义分割方法，通过使用图像 - 文本对进行对比学习，实现了视觉分割与文本的对齐。实验结果表明，该方法优于现有的文本监督的语义分割方法。

本研究探讨了基于视觉的分割在森林环境中的重要性，使用模拟森林环境生成合成图像进行树木检测的深度学习算法训练，结果证明了迁移学习的有效性。