该文综述视频对象跟踪与分割研究：AOT框架将边界框转为掩码，MSDeAOT提升小物体精度，二者均在EPIC-KITCHENS挑战赛夺冠；SAM-Track结合SAM与DeAOT支持多模态交互；SAT、HODOR等模型在DAVIS等基准取得领先，并探索自动生成训练数据以减少人工标注。