Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 26 октября 2026 года] Название: Переосмысление несбалансированности данных в классе Сегментально-хирургических инструментов Взгляд PDF HTML (экспериментальный) Резюме: При сегментации хирургических приборов все большее разнообразие инструментов со временем создает серьезную проблему для существующих нейронных сетей, поскольку они не могут эффективно изучить такие дополнительные задачи и страдают от катастрофического забвения. При изучении новых данных в модели наблюдается резкое снижение показателей по ранее полученным данным. Хотя в хирургических сценариях было предложено несколько методов непрерывного обучения для выполнения задач постепенного понимания, проблема дисбаланса данных часто приводит к резкому перекосу в головке сегментации, что ведет к неудовлетворительной работе. Несбалансированность данных может происходить в двух формах: i) дисбаланс классов между новыми и старыми данными; ii) несбалансированность классов в рамках одной и той же точки данных. Такая несбалансированность часто заставляет доминирующие классы брать на себя процесс обучения по постоянной семантической сегментации (КСС). Для решения этой проблемы мы предлагаем SurgCSS, новую систему свечения и воспроизведения CSS для хирургической сегментации приборов в условиях дисбаланса данных. В частности, мы генерируем реалистичный хирургический фон с помощью вкрашивания и смешивания приборных площадок с генерированными средами…
Переосмысление несбалансированности данных в сегментации хирургических инструментов класса
arXiv: 261 030,34925v1 Annuales Type: New Humber Brieftation: В сегментации хирургических приборов все большее разнообразие инструментов со временем создает серьезную проблему для существующих нейронных сетей, поскольку они не могут эффективно изучать такие дополнительные задачи и страдают от катастрофических забвения. При изучении новых данных в модели наблюдается резкое снижение показателей по ранее полученным данным. Хотя в хирургических сценариях было предложено несколько методов непрерывного обучения для выполнения задач постепенного понимания, проблема дисбаланса данных часто приводит к резкому перекосу в головке сегментации, что ведет к неудовлетворительной работе. Несбалансированность данных может происходить в двух формах: i) дисбаланс классов между новыми и старыми данными; ii) несбалансированность классов в рамках одной и той же точки данных. Такая несбалансированность часто заставляет доминирующие классы брать на себя процесс обучения по постоянной семантической сегментации (КСС). Чтобы решить эту проблему, мы предлагаем SurgCSS - новую систему для хирургических инструментов.