階層的クラス増分セマンティックセグメンテーションによる動的ロボット支援手術

- ロボット支援手術のための動的シーン理解を目的とした、class-incremental semantic segmentation (CISS) の研究。 - 既存の TOPICS を拡張した TOPICS+ を提案し、手術環境に特化した頑健なセグメンテーションを目指す。 - 手術環境向けの6つの新しい CISS benchmark と、Syn-Mediverse 上の144クラス超の refined label set を導入。 - code と trained models を公開。

- 先行の TOPICS を基盤とし、手術シーン向けに拡張した点が特徴。 - 強いクラス不均衡に対処するため Dice loss を hierarchical loss に組み込む。 - hierarchical pseudo-labeling を導入。 - 手術環境に合わせた label taxonomy を設計。 - 手術環境向けの複数 incremental steps・複数カテゴリからなる6つの CISS benchmark を新たに提案。 - 従来の静的データセット学習モデルが動的環境で抱える制約に対処する点を狙う。

- TOPICS の Taxonomy-Oriented Poincaré-regularized Incremental Class Segmentation を拡張。 - hierarchical loss に Dice loss を組み込み、クラス不均衡に対応。 - hierarchical pseudo-labeling を採用。 - 手術環境向けの label taxonomy を設計。 - 過去データで再学習せずに新クラスへ継続適応し、catastrophic forgetting を回避する CISS の枠組みを用いる。

- 手術環境を模した6つの CISS benchmark を設計し、複数の incremental steps と複数カテゴリで評価。 - Syn-Mediverse synthetic dataset 上で144クラス超の refined label set を用いた評価 benchmark を提供。 - 具体的な精度・比較結果の数値は要旨からは不明。

- 動的で進化する手術環境における静的学習モデルの限界と、CISS による継続適応の必要性を議論。 - クラス不均衡や階層的ラベル構造への対処が課題として示唆される。 - 具体的な限界や失敗事例、計算コストなどの議論は要旨からは不明。

- TOPICS (Taxonomy-Oriented Poincaré-regularized Incremental Class Segmentation) - class-incremental semantic segmentation (CISS) の関連手法 - Syn-Mediverse synthetic dataset 関連の研究 - catastrophic forgetting 対策の incremental learning 研究