論文の概要: SAGE-OR: Semi-supervised Adaptive Scene Graph Generation for Operating Rooms
- arxiv url: http://arxiv.org/abs/2608.15336v1
- Date: Sat, 15 Aug 2026 17:32:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.261626
- Title: SAGE-OR: Semi-supervised Adaptive Scene Graph Generation for Operating Rooms
- Title（参考訳）: SAGE-OR:オペレーティングルームのための半教師付き適応シーングラフ生成
- Abstract要約: 現在の手術シーングラフ生成法は、密集したマルチモーダル監視と特殊なハードウェアに依存している。
本稿では,従来の検出領域のパラダイムを分離した表現領域のパラダイムに置き換える機能中心のフレームワークであるSAGE-ORを提案する。
汎用的なプロンプトは、ほぼ完全なリコールを誘導するために使用され、精度は下流の注意に基づく推論に委譲される。
- 参考スコア（独自算出の注目度）: 2.676349883103404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current surgical scene graph generation methods depend on dense multi-modal supervision and specialized hardware (synchronized RGB-D sensors, calibration rigs), making dataset construction expensive and restricting all existing benchmarks to simulated environments. We propose SAGE-OR, a feature-centric framework that replaces the traditional detect-then-reason paradigm with a decoupled representation-reasoning paradigm in which localization is derived from frozen foundation models, encoded implicitly in pre-computed features, and used without any localization supervision, while a lightweight graph transformer performs relational reasoning over cached features. We employ a semi-supervised formulation with general-purpose segmentation prompts to eliminate localization supervision while enabling unsupervised context augmentation through additional prompt-driven entities, such as hands, which are absent from annotations. General-purpose prompts are used to induce near-perfect recall, while precision is delegated to downstream attention-based reasoning, enabling simple adaptation to new entities via prompt-level modification. This design enables a lightweight 15M-parameter graph transformer that trains in 1.4 hours and runs relational inference at $\sim$1ms per frame with peak memory under 2GB, suitable for edge hardware used in the operating room; feature extraction runs offline as a separate caching stage (4.27s per frame). On the 4D-OR benchmark, the core model achieves 76% F1, matching the fully supervised 4D-OR baseline while eliminating all localization annotations, and unsupervised hand augmentation raises this to 86%, within 4 points of state-of-the-art (SOTA) methods requiring dense multi-modal supervision, providing a practical pathway for adaptation to new surgical settings without annotation other than relationship and class labels.
- Abstract（参考訳）: 現在の手術シーングラフ生成法は、密集したマルチモーダル監視と特殊なハードウェア(同期RGB-Dセンサー、キャリブレーションリグ)に依存し、データセットの構築を高価にし、既存のベンチマークをシミュレートされた環境に制限する。
SAGE-ORは,従来の検出領域のパラダイムを,凍結基礎モデルから局所化を導出し,暗黙的にプリコンパイルされた特徴を符号化し,ローカライズを監督せずに使用する分離表現推論パラダイムに置き換える機能中心のフレームワークであり,軽量グラフトランスフォーマはキャッシュされた特徴に対してリレーショナル推論を行う。
汎用セグメンテーションプロンプトを用いた半教師付き定式化を用いて,アノテーションを欠いた手などの追加のプロンプト駆動型エンティティを通じて,教師なしのコンテキスト拡張を実現する。
汎用的なプロンプトは、ほぼ完全なリコールを誘導するために使用され、精度は下流の注意に基づく推論に委譲され、プロンプトレベルの修正によって新しいエンティティへの簡単な適応を可能にする。
この設計により、軽量な15Mパラメータグラフ変換器が1.4時間でトレーニングし、リレーショナル推論を2GB以下のピークメモリで$\sim$1msで実行し、オペレーティングルームで使用されるエッジハードウェアに適している。
4D-ORベンチマークでは、コアモデルは76%のF1を達成し、すべてのローカライゼーションアノテーションを排除しながら、完全に教師された4D-ORベースラインと一致し、教師なしの手の増強により、密集したマルチモーダル監視を必要とするSOTA(State-of-the-art)メソッドの4ポイント以内の86%に増加し、関係やクラスラベル以外のアノテーションを使わずに、新しい外科的設定に適応するための実用的な経路を提供する。
関連論文リスト
- Hierarchical Adaptive Feature Refinement Network for VHR Remote Sensing Image Segmentation [15.24999553337715]
本稿では,階層的表現を適応的に整理・洗練する進歩的改良フレームワークHAFR-Netを提案する。
マッチしたSwin-Bトレーニングとシングルスケール推論プロトコルの下で、HAFR-Netは84.12%、87.86%、55.17%、67.70%mIoUを達成した。
論文 参考訳（メタデータ） (2026-08-16T09:26:58Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - Context Features Are Cheap: Rank-Aware Decomposition for Efficient Feature Interaction in Recommender Systems [0.0]
本稿では,リコメンデータシステムにおける支配的相互作用機構に適用可能なランクアウェア分解について述べる。
この分解は、コンテキストのみの計算を、元のモデルと同等の1/1の要求から1/1の要求に移行する。
DLRMスタイルのランサーをアーキテクチャ変更せずに生産する場合、分解はポッド当たりのスループットを87.5%向上させる。
論文 参考訳（メタデータ） (2026-05-24T13:35:36Z) - AHPA: Adaptive Hierarchical Prior Alignment for Diffusion Transformers [24.937985157569823]
我々は,信号と雑音の比に応じて,表現監督の有用な粒度が体系的に変化するため,このような時間ステップに依存しないアライメントが最適であると主張する。
ハイノイズでは拡散モデルはより粗い意味とレイアウトレベルのアンカーの恩恵を受けるが、低ノイズでは、トレーニング信号は空間的詳細で構造的に忠実な洗練を強調するべきである。
この非定常アライメント動作は、静的なシングルレベルスーパーバイザーに対する表現ミスマッチを生成する。
論文 参考訳（メタデータ） (2026-05-05T03:07:29Z) - Efficiency Follows Global-Local Decoupling [62.05489838893081]
ConvNeurは、軽量なニューラルメモリブランチがトークンの集合にグローバルなコンテキストを集約する2分岐アーキテクチャである。
学習ゲートは、グローバルなキューが目的を絞ることなく、局所的な特徴を調整できる。
標準的な分類、検出、セグメンテーションのベンチマークでは、ConvNeurは同等または低い計算で同等の選択肢にマッチするか、超えている。
論文 参考訳（メタデータ） (2026-03-20T02:20:16Z) - ReHARK: Refined Hybrid Adaptive RBF Kernels for Robust One-Shot Vision-Language Adaptation [3.8707695363745214]
ReHARKは、グローバルな近位正規化を通じて、少数ショット適応を再解釈する、トレーニング不要のフレームワークである。
ワンショット適応のための新しい最先端技術がReHARKによって確立され、平均精度は65.83%である。
論文 参考訳（メタデータ） (2026-03-12T04:59:09Z) - Learning Accurate Segmentation Purely from Self-Supervision [87.78965637247107]
Selfmentは完全に自己管理型のフレームワークで、人間のラベルなしでオブジェクトを生画像から直接分割する。
Selfmentは、複数のベンチマークで新しい最先端(SoTA)結果を設定する。
論文 参考訳（メタデータ） (2026-02-27T07:36:32Z) - Learning Adaptive Distribution Alignment with Neural Characteristic Function for Graph Domain Adaptation [33.32495506456439]
Graph Domain Adaptation (GDA)はラベル付きソースグラフからラベルなしターゲットグラフに知識を転送する。
既存の手法は、手動で選択したグラフ要素をアライメントすることで、分布シフトを減らそうとしている。
GDAのための適応分布アライメントフレームワークである textbfADAlign を提案する。
論文 参考訳（メタデータ） (2026-02-11T03:48:04Z) - Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。
分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。
本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
論文 参考訳（メタデータ） (2026-02-06T16:39:10Z) - Towards Generalizable Trajectory Prediction Using Dual-Level Representation Learning And Adaptive Prompting [107.4034346788744]
既存の車両軌道予測モデルは、一般化可能性、予測の不確実性、複雑な相互作用を扱う。
本研究では,(1)自己拡張(SD)とマスドレコンストラクション(MR)による二重レベル表現学習,グローバルコンテキストと細部の詳細の収集,(2)レジスタベースのクエリと事前学習の強化,クラスタリングと抑圧の必要性の排除,(3)微調整中の適応型プロンプトチューニング,メインアーキテクチャの凍結,および少数のプロンプトの最適化といった,新たなトラジェクタ予測フレームワークであるPerceiverを提案する。
論文 参考訳（メタデータ） (2025-01-08T20:11:09Z) - Guided Generative Models using Weak Supervision for Detecting Object
Spatial Arrangement in Overhead Images [5.5042961659167045]
本稿では,変分自動エンコーダ(VAE)フレームワークに基づくターゲット誘導生成モデル(TGGM)を提案する。
実験の結果,TGGMは最先端の半教師あり手法に匹敵する結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-12-10T19:14:10Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。