烏克蘭怎麼讓無人機在看不完的戰場直播裡，記住每一台軍車？

情報官面前同時播著好幾路畫面，每一路都來自一架在前線上空盤旋的偵察無人機。一台軍用卡車從某個畫面的邊緣駛入，繞過一片樹林，被揚起的塵土擋住幾秒，再從稍微不同的角度重新出現。它是剛才那一台，還是另一台。畫面本身不會給答案。

看得到車不難，難的是記得住它。

現代戰場上空已經塞滿了這類無人機。製造成本下降、偵察效能提升，讓這些機器能夠輪班部署，把整條前線的動靜以影像串流不間斷地送回後方。覆蓋範圍越廣，畫面就越多，多到某個程度，人就跟不上了。

一名操作員盯著好幾路影像，要同時找出每一個值得注意的目標，還要記住它們各自的去向。漏掉一個畫面角落的調動，在戰場上可能就是漏掉一次預警。把原始影像即時轉換成可用的情報，這個轉換的速度，往往決定了一條打擊鏈（kill chain）走得夠不夠快。

這正是一支烏克蘭團隊想解決的瓶頸。論文的作者來自烏克蘭國防部下屬的 CIDTD 與烏克蘭天主教大學，成果在 2025 年 5 月發表於北約科技組織在葡萄牙奧埃拉斯舉辦的 ICMCIS 研討會。他們要做的事很具體：讓機器在這種低品質、不連續的空拍畫面裡，自動而且即時地追蹤每一台軍用車輛。

偵測到一台車，和知道它是同一台車。

讓電腦在一張畫面裡找出車輛，技術上已經相當成熟。一個物件偵測模型掃過畫面，把每一台車用方框圈出來，標上這是戰車、這是卡車。它能減輕操作員的負擔，像一個副駕駛幫忙指出畫面裡有什麼。

但單張畫面的偵測，常常還稱不上情報。戰場上有意義的問題，是針對特定一台車展開的：那台剛開進樹林的防空系統，十分鐘前在哪裡，正往哪個方向走。要回答這種問題，光知道畫面裡有一台防空車不夠，你得知道不同時刻畫面裡的那幾台，是不是同一台。

在不同幀之間維持同一個目標的身分，這件事叫多目標追蹤，MOT。它接在偵測之後，把一格一格的方框串成一條條軌跡。一台車有了連續的軌跡，才從畫面裡的一個物件，變成一個可以被追蹤、被判讀的情報單位。

為什麼戰場的畫面特別難追？

追蹤聽起來只是把前後幾格的方框連起來，難處在於，戰場無人機送回的畫面，幀率低得出乎意料。

原始影像往往以每秒 30 格以上的速度拍攝，但要在雲端即時分析每一格，運算成本高、延遲也大。於是這類系統通常只解碼、處理其中一小部分，實際拿來分析的大約只有每秒 5 格。兩格之間隔了大半秒，足夠讓很多事情改變。

多數現成的追蹤演算法，像 ByteTrack 這類高幀率方法，都建立在一個假設上：同一個物件在相鄰兩格之間只會移動一點點，所以前後兩個方框會大幅重疊，運動軌跡也接近直線。高幀率下這個假設成立，於是用方框的重疊程度配上簡單的運動預測，就能可靠地把偵測結果連起來。

低幀率把這個假設整個推翻。更麻煩的是，拍攝的無人機本身也在動。相機視角在半秒內大幅偏移，加上目標自己的移動，同一台車在前後兩格裡的方框可能完全沒有重疊，依高幀率假設推算的運動方向也可能整個偏掉。結果就是頻繁的身分跳換、關聯遺失，或是把同一台車誤判成剛出現的新目標。雲端串流的壓縮又讓畫質劣化，把難度再往上加一層。

不靠車本身，靠它周圍的世界。

這篇論文最關鍵的觀察，是換了一個判斷依據。

從高空俯瞰，一台軍用車輛在畫面裡往往只占幾十個像素，外觀細節本來就少。同型號的戰車彼此幾乎長得一模一樣，再經過壓縮，光看車子本身，很難分辨這一台和那一台。但車子周圍的景物，地形、建築、它和附近物體的相對位置，反而提供了穩定的線索。

研究團隊採用的 MASA 框架，學的正是這種帶著周圍一起看的特徵。模型不只擷取方框內車輛的細節，還透過 ROI-Align 把畫面整體的場景資訊一併匯入特徵裡。於是當畫面被縮小、車輛縮到不足 32 像素，小到幾乎看不清輪廓時，它在地景中的相對位置仍然認得出來，追蹤因此沒有明顯崩掉。

當一台戰車在畫面裡只剩幾十個像素，分辨它的關鍵已經不是車長什麼樣，而是它落在這片地景的哪個位置。對視覺上幾乎無從區分的同型目標，這個轉向特別管用。

不用逐幀標注，也追得動。

要訓練一個追蹤模型，傳統做法得提供逐幀標注的軌跡：每一格都標出每一台車，還要跨格標明哪一台是哪一台。這種標注既耗時又昂貴，在大規模資料集上尤其吃力。

這支團隊改用單幀標注。每張畫面各自獨立標出車輛，不去標跨幀的對應關係，再以自監督的方式讓模型自己學會關聯，這個思路來自他們參考的 MASA。單幀標注便宜得多，也更容易涵蓋各種角度、解析度與場景。

訓練的路上還繞了一個彎。MASA 原本建議用 Segment Anything Model，也就是 SAM，自動產生標注。SAM 在通用影像上的零樣本分割能力很強，但研究團隊發現，一旦進到空拍軍事影像這種特殊領域，它就頻頻出錯，把背景紋理過度切割，又漏掉那些小而低解析度的車輛。最後他們還是回到人工標注的單幀真值。數字也支持這個選擇：用人工真值訓練的模型，綜合偵測與關聯品質的總分 HOTA 達到 48.29，比用 SAM 假標注的 47.23 高；衡量身分一致性的 IDF1 是 56.93 對 55.45；身分跳換次數則從 572 降到 471，數字越小代表追蹤越穩。

一份來自真實戰場的資料集

這篇論文還留下一個獨立的貢獻：一套標注好的軍用車輛資料集，全部取自真實戰場影像。

資料來源是公開的 Telegram 頻道、X，以及 YouTube，挑的是四旋翼或定翼無人機從高空拍攝、畫面裡有兩台以上車輛的影片，盡量貼近實戰的視角變化。整套資料含 119 部影片，解析度從 480p 到 4K，長度從 7 秒到一分半，拆成 18,421 格畫面，標出 58,897 個車輛方框。其中 14% 在冬季拍攝，86% 在夏季，地景因此帶著季節差異。

車輛分成三類：重裝甲，包含防空系統、火砲、戰車、步兵戰車與多管火箭；輕裝甲或無裝甲，像武裝車、偵察與巡邏車；以及各式軍用卡車。標注由烏克蘭天主教大學有電腦視覺經驗的人員完成，並經過多輪交叉檢查以減少誤差。這套資料開放依申請取得，等於替低幀率戰場車輛追蹤這個題目立了一把共用的量尺。

為了即時，把模型縮到最小。

要在整條前線同時跑、而且即時，模型不能太重。研究團隊於是測試把兩個地方一路縮小：輸入畫面的解析度，以及描述每台車的特徵向量維度。

結果模型比想像中耐縮。特徵向量從原本的 256 維降到 64 維，HOTA 幾乎沒動，從 48.29 只掉到 48.00。輸入解析度從 1280 一路降到 320，HOTA 仍有 48.02。只有縮到最激進的組合，解析度 160、特徵 32 維，分數才比較明顯地落到 HOTA 46.62、IDF1 54.18，但仍維持在堪用的水準，換來的是更快的推論與更小的記憶體占用。

它之所以禁得起這樣縮，原因還是回到前面那個觀察：模型靠的是場景脈絡，而脈絡在畫面縮小、目標變糊之後，依然讀得出來。這讓整套方法有機會塞進機載的低功耗運算單元，真正部署到前線，而不只是停在後端的機房。

還沒解決的部分

作者沒有把話說滿。這套方法目前有兩個明顯的限制。

一是沒有長期記憶。如果一台車離開鏡頭超過幾秒，模型就很難再把它和先前的軌跡接回去。二是它不擅長處理多視角：同一台車若同時被兩架不同的無人機從不同方向拍到，模型不容易判斷那其實是同一台。

這兩點都指向同一個方向，當時間或空間的跨度再拉大，現在這套以場景脈絡為主的關聯方式還不夠用。

回到那個盯著好幾路畫面的情報官。現代無人機戰爭的畫面多到拍不完也看不完，瓶頸在於能不能把這股影像洪流，夠快地轉換成一個個被辨識、被追蹤的目標，趕上決策的節奏。

這篇論文的價值，在於把這個轉換做得夠便宜、也夠輕。便宜，是因為訓練模型時只要在一張張畫面上各自把車框出來就好，不必再一路盯著同一台車、跨格標明它從第一格到最後一格都是同一台，省下最花人力的那一段；輕，是因為縮小後的模型有機會直接跑在無人機上。

畫面一糊，同型號的車看起來都一樣，光憑車本身已經分不出誰是誰。這時候還分得出來的，是車以外的東西：它停在哪裡、周圍有什麼。