基于层次类增量语义分割的动态机器人辅助手术
计算机视觉与模式识别
2025-08-12 v2 人工智能
机器人学
摘要
机器人辅助手术依赖于准确和实时的场景理解以安全指导手术器械。然而，针对静态数据集训练的分割模型在部署到这些动态和不断演变的手术环境时面临关键限制。类增量语义分割 (CISS) 允许模型在不记忆先前数据的情况下持续适应新类别，同时避免灾难性遗忘。本文基于最近提出的基于 Poincaré 正则化的层次化增量类分割方法 (TOPICS) 构建，并提出了增强版 TOPICS+，专为稳健的手术场景分割而设计。具体而言，我们将 Dice 损失纳入层次化损失函数以处理强类别不平衡，引入层次化伪标签，并为机器人手术环境设计特定标签类别。我们还提出了六个新的 CISS 框架，针对机器人手术环境进行设计，包括多个增量步骤和多个语义类别，以模拟手术环境中真实的类增量设置。此外，我们引入了一套在 Syn-Mediverse 人造数据集上超过 144 个类别的细化标签，作为评估基准公开提供。我们将代码和训练好的模型公开于 http://topics.cs.uni-freiburg.de。
引用
@article{arxiv.2508.01713,
title = {Dynamic Robot-Assisted Surgery with Hierarchical Class-Incremental Semantic Segmentation},
author = {Julia Hindel and Ema Mekic and Enamundram Naga Karthik and Rohit Mohan and Daniele Cattaneo and Maria Kalweit and Abhinav Valada},
journal= {arXiv preprint arXiv:2508.01713},
year = {2025}
}
备注
accepted at MICCAI AMAI 2025 workshop