基于师生知识迁移的快速光流患者特异性域适应
计算机视觉与模式识别
2020-07-10 v1
摘要
在针对运动组织的计算机辅助手术（CAS）中，快速运动反馈至关重要。安全关键视觉应用中的图像辅助需要对组织运动进行稠密跟踪。这可利用光流（OF）实现。高处理速率下的准确运动预测可提升患者安全性。当前深度学习OF模型呈现出常见的速度-精度权衡。为在高处理速率下实现高精度，我们提出对快速模型进行患者特异性微调。这最小化了训练与应用数据间的域差距，同时将目标域缩减至较低复杂度快速模型的能力范围。我们提出在手术室内术前获取训练序列。我们通过采用师生学习来处理缺失真值问题。利用教师模型FlowNet2的光流估计，我们将快速学生模型FlowNet2S专门化于患者特异性域。评估在Hamlyn数据集的序列上进行。我们的学生模型在微调后表现出极好性能。跟踪精度可与教师模型媲美，同时速度提升六倍。微调可在数分钟内完成，使其适用于手术室。我们的方法允许使用先前不适用于该任务的实时能力模型。该方法为CAS中改进的患者特异性运动估计铺平了道路。
引用
@article{arxiv.2007.04928,
title = {Patient-Specific Domain Adaptation for Fast Optical Flow Based on Teacher-Student Knowledge Transfer},
author = {Sontje Ihler and Max-Heinrich Laves and Tobias Ortmaier},
journal= {arXiv preprint arXiv:2007.04928},
year = {2020}
}