从微小人工标注数据集学习：一种用于手术阶段识别的教师/学生方法
机器学习
2020-10-01 v3 计算机视觉与模式识别
机器学习
摘要
能够实时视频流中解读场景的视觉算法是计算机辅助手术系统实现情境感知行为所必需的。在腹腔镜手术中，此类系统所需的一种特定算法是手术阶段的识别，其当前最优模型基于 CNN-LSTM。若干使用该种模型的先前工作以全监督方式训练，需要完全标注的数据集。相反，我们的工作面对的是在标注数据极少（少于所有可用视频记录的 25%）的场景下学习手术阶段识别的问题。我们提出一种教师/学生式的方法，其中称为教师的一个强预测器事先在少量真值标注视频上训练，为更大的数据集生成合成标注，另一个模型——学生——从中学习。在我们的案例中，教师具有一种新颖的 CNN-biLSTM-CRF 架构，仅设计用于离线推理。另一方面，学生是能够进行实时预测的 CNN-LSTM。针对不同数量人工标注视频的结果展示了新型 CNN-biLSTM-CRF 预测器的优越性，以及通过使用为未标注视频生成的合成标签训练的 CNN-LSTM 所带来的性能提升。对于可用标注记录极少情况下的离线与在线手术阶段识别，这一新教师/学生策略通过高效利用未标注数据提供了宝贵的性能改进。
引用
@article{arxiv.1812.00033,
title = {Learning from a tiny dataset of manual annotations: a teacher/student approach for surgical phase recognition},
author = {Tong Yu and Didier Mutter and Jacques Marescaux and Nicolas Padoy},
journal= {arXiv preprint arXiv:1812.00033},
year = {2020}
}
备注
Accepted at IPCAI 2019