重新审视具有时序约束的因果驱动机器人工具分割
机器人学
2022-12-02 v1 计算机视觉与模式识别
摘要
目的：基于视觉的机器人工具分割在外科机器人及下游任务中发挥着基础作用。CaRTS基于互补因果模型，在存在烟雾、血液等不可见的反事实手术环境中展现出了良好的性能。然而，由于可观测性有限，CaRTS对单张图像需要超过30次迭代优化才能收敛。方法：为解决上述局限性，我们将时序关系纳入考量，提出了一种用于视频序列上机器人工具分割的时序因果模型。我们设计了一种名为时序约束CaRTS（TC-CaRTS）的架构。TC-CaRTS包含三个新颖模块以补充CaRTS——时序优化流水线、运动学校正网络和时空正则化。结果：实验结果表明，TC-CaRTS达到与CaRTS相同或更好的性能所需的迭代次数要少得多。与CaRTS相比，TC-CaRTS在不同域中也具有相同或更好的性能。三个模块均被证明是有效的。结论：我们提出了TC-CaRTS，利用时序约束作为额外的可观测性。我们表明，TC-CaRTS在不同域的测试数据集上以更快的收敛速度在机器人工具分割任务中优于先前的工作。
引用
@article{arxiv.2212.00072,
title = {Rethinking Causality-driven Robot Tool Segmentation with Temporal Constraints},
author = {Hao Ding and Jie Ying Wu and Zhaoshuo Li and Mathias Unberath},
journal= {arXiv preprint arXiv:2212.00072},
year = {2022}
}