面向时间敏感神经网络事件识别的视频数据工作流增强
图像与视频处理
2021-10-01 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
神经网络的有监督训练需要大规模、多样且标注良好的数据集。在医疗领域，由于时间、专家知识和事件患病率的限制，这通常难以实现。人工数据增强有助于防止过拟合并改善罕见事件及整体性能的检测。然而，大多数增强技术使用纯空间变换，对于具有时间相关性的视频数据并不充分。本文提出一种新颖的工作流增强方法，并展示其在白内障手术事件识别中的益处。所提方法通过创建人工视频来提高事件交替频率。原始视频被分割为事件片段，并从原始标注中提取工作流图。最后，基于工作流图将片段组装为新视频。与原始视频相比，增强后白内障手术视频中的事件交替频率提高了26%。此外，与最先进方法相比，分类准确率提高了3%，精确率提高了7.8%。我们的方法特别有助于增加罕见但重要事件的出现频次，并可应用于大量不同的用例。
引用
@article{arxiv.2109.15063,
title = {Workflow Augmentation of Video Data for Event Recognition with Time-Sensitive Neural Networks},
author = {Andreas Wachter and Werner Nahm},
journal= {arXiv preprint arXiv:2109.15063},
year = {2021}
}
备注
Submitted to Medical Image Analysis