Cutie是一種用于自動識別和追蹤視頻中特定物體的技術。它具有高級的對象理解能力，可以識別整個物體的形狀和特性，而不僅僅是像素級的信息。同時，它還能夠精確地將目標物體從背景物體中分離出來。

　　無論在復雜場景中還是在有多個物體和復雜背景的視頻中，Cutie都可以準確地進行對象分割。雖然功能強大，但它的運行速度也相當快，適用于需要實時處理的應用場景。

　　Cutie的工作原理如下:首先，在視頻的第一幀中，Cutie會找到并記住你想跟蹤的物體的位置和形狀。然后，它會存儲物體的詳細像素信息，就像給物體拍了一張身份證照片。

　　當視頻繼續播放時，Cutie會使用之前記住的信息快速找到物體，并用存儲的詳細信息來精確確認物體的位置和形狀。Cutie同時使用粗略特征和詳細信息，所以它能在視頻中快速而準確地找到并跟蹤物體。這樣，無論物體如何移動或變化，Cutie都能準確地追蹤它，這在安全監控、自動駕駛車輛或醫學研究等領域非常有用。

　　Cutie主要采用了對象級別的內存讀取能力。與傳統的像素級內存讀取方法不同，Cutie使用一種自上而下的對象級內存讀取方式，這可以提高在復雜數據集上的性能。Cutie使用對象變換器與底層像素特征進行交互，這些對象變換器作為目標對象的高級摘要，而高分辨率的特征圖用于精確的分割。

　　此外，Cutie還引入了前景-背景掩碼注意力機制，使得部分對象查詢只關注前景，其余部分只關注背景，從而更清晰地分離前景對象和背景的語義。除了像素內存外，Cutie還引入了一個緊湊的對象內存，用于總結目標對象的特征，從而實現了目標對象的有效長期表示。

　　在實際評估中，使用MOSE標準測試，Cutie的性能比XMem方法提高了8.7分。與DeAOT方法相比，Cutie獲得了4.2分的高分，并且處理速度比DeAOT快三倍。