以更少看到更多：基于多任务学习的视频胶囊内镜

视频胶囊内镜已成为调查腹腔道 tract 中小肠的重要手段。然而，持续存在的一个挑战是，这种紧凑传感器边缘设备的电池寿命较短。将人工智能集成进可帮助克服这一限制，通过启用智能实时决策，减少能源消耗，延长电池寿命。然而，这仍然具有挑战性，因为数据稀疏且设备资源有限，限制了整体模型大小。在本工作中，我们引入了一个多任务神经网络，将精确的自定位功能与检测小肠异常的能力融合于单一模型之中。在开发过程中，我们始终限制总参数数量，以确保此类模型可部署于小型胶囊内中。我们报告了首次使用最近发布的 Galar 数据集的多任务结果，集成既有的多任务方法和 Viterbi 解码用于后续时间序列分析。这超越了当前的单任务模型，代表了该领域基于 AI 的方法的重大进展。本模型在定位任务上达到 93.63% 的准确率，在异常检测任务上达到 87.48% 的准确率。该方法仅使用 100 万参数，便超越了当前基线。