一对多：基于元学习与动态在线适应的机器人手术视频自适应器械分割
计算机视觉与模式识别
2021-03-25 v1
摘要
机器人辅助手术（RAS）中的手术器械分割——尤其是基于学习的模型——依赖于训练与测试视频采自同一域的假设。然而，从每个新域收集和标注充足数据是不切实际且昂贵的。为大幅提升标注效率，我们探索了一个新问题，即自适应器械分割：仅给定首帧标注的器械，将单一源模型有效适配到来自多个目标域的新机器人手术视频。我们提出MDAL，一种基于元学习的动态在线自适应学习方案，采用两阶段框架，在首帧及部分后续帧上快速适配模型参数并同时预测结果。MDAL通过视频特定的元学习范式学习器械的通用知识与快速适应能力。所增加的梯度门排除了来自伪掩码的噪声监督，以用于目标视频上的动态在线适应。我们通过实验证明，MDAL在两个数据集（包括一个真实世界RAS数据集）上优于其他SOTA方法。其在离体场景上的优异表现亦有益于下游任务，如机器人辅助缝合与相机控制。
引用
@article{arxiv.2103.12988,
title = {One to Many: Adaptive Instrument Segmentation via Meta Learning and Dynamic Online Adaptation in Robotic Surgical Video},
author = {Zixu Zhao and Yueming Jin and Bo Lu and Chi-Fai Ng and Qi Dou and Yun-Hui Liu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2103.12988},
year = {2021}
}
备注
Accepted by ICRA 2021