报告人简介:
邵振洲,首都师范大学信息工程学院,副研究员,“轻型工业机器人与安全验证”北京市重点实验室副主任,中国国家标准化管理委员会专家和国际标准化ISO/TC299/WG6委员会委员。2019年入选北京市科技新星计划,2017年获得北京市科学技术二等奖。主要从事医疗手术规划与可视化、机器人自主学习等研究,主持国家自然基金、国家重点研发计划智能机器人专项项目子课题、北京市组织部和教委等项目,作为第一起草人制定国家标准2项。
报告摘要:
手术机器人轨迹分割可以用于医生技能评估和示范学习,对推进机器人手术自动化具有十分重要的研究价值。传统的手术机器人轨迹分割方法存在耗时长,分割准确度差且容易存在过度分割的问题。为解决上述问题,首次提出了一种基于新型无监督密集连接卷积编码—解码特征提取深度学习网络DCED-Net的多模态手术轨迹分割方法。DCED-Net采用无监督方法,避免了十分耗时的人工训练样本标注,使用密集连接结构,使图像信息能更有效地在卷积层间传递,从而提高了特征质量。为进一步提高分割精度,本文提出了一种基于轨迹段间相似性的合并后处理算法,通过衡量轨迹段间的四个相似性指标(PMDD),包括主成分分析、互信息、数据中心距离和动态时间规整,将相似度高的分割段进行迭代合并,从而降低过度分割产生的影响。
推荐文章:
谢劼欣, 赵红发, 邵振洲, 施智平, 关永. 基于无监督深度学习的多模态手术轨迹快速分割方法[J]. 机器人, 2019, 41(3): 317-326,333.
基金项目:
国家自然科学基金(61702348,61772351,61602326,61602324)
|