通过预测未来实现无监督的手术运动学习
计算机视觉与模式识别
2018-06-12 v1
摘要
我们展示可以通过学习预测未来，在无监督情况下学习到有意义的手术运动表示。我们开发了一种结合 RNN 编码器-解码器与混合密度网络（MDNs）的架构，以建模给定过去运动时未来运动的条件分布。我们表明所学编码自然按高层活动聚类，并展示了这些所学编码在信息检索中的用处：以基于运动的查询在手术运动数据库中检索缝合活动。我们发现使用 MDNs 的未来预测显著优于更简单的基线以及此前已发表的最佳结果，将该任务的最先进性能从 F1 分数 0.60 ± 0.14 提升至 0.77 ± 0.05。
引用
@article{arxiv.1806.03318,
title = {Unsupervised Learning for Surgical Motion by Learning to Predict the Future},
author = {Robert DiPietro and Gregory D. Hager},
journal= {arXiv preprint arXiv:1806.03318},
year = {2018}
}
备注
Accepted to MICCAI 2018