白内障手术视频中器械分类的跨数据集自适应
计算机视觉与模式识别
2023-08-09 v1
摘要
手术器械存在检测是手术术中与术后分析的重要环节。然而，在特定数据集上表现良好的最先进模型，在另一数据集上测试时表现不佳。这是由于不同工具、传感器、数据分辨率等的使用导致数据集之间存在显著的域偏移。本文指出了这一常见白内障手术中的域偏移问题，并提出了一种名为 Barlow Adaptor 的新型端到端无监督域自适应（UDA）方法，可在无需其他域任何标签的情况下解决分布偏移问题。此外，我们引入了一种称为 Barlow 特征对齐损失（BFAL）的新型损失，该损失在不同域之间对齐特征的同时减少了冗余以及对更大批量大小的需求，从而提升了跨数据集性能。BFAL 的使用是解决白内障手术数据域偏移挑战的一种新方法。我们在两个白内障手术数据集上进行了大量实验，结果表明所提方法比最先进的 UDA 方法高出 6%。代码可在 https://github.com/JayParanjape/Barlow-Adaptor 获取。
引用
@article{arxiv.2308.04035,
title = {Cross-Dataset Adaptation for Instrument Classification in Cataract Surgery Videos},
author = {Jay N. Paranjape and Shameema Sikder and Vishal M. Patel and S. Swaroop Vedula},
journal= {arXiv preprint arXiv:2308.04035},
year = {2023}
}
备注
MICCAI 2023