초록
수술 제스처 인식은 수술 기술 평가와 효율적인 수술 훈련에 중요합니다. 이 작업에 대한 이전 연구들은 주로 변형 그래픽 모델(HMMs 및 CRFs) 또는 딥 러닝 모델(순환 신경망 및 시계열 합성곱 네트워크)을 기반으로 수행되었습니다. 현재의 대부분 접근 방식은 과다 분할 문제로 인해 세그먼트 단위 수정 점수가 낮다는 한계를 가지고 있습니다. 반면에, 우리는 이 작업을 순차적 의사결정 프로세스로 모델링하는 근본적으로 다른 방법론을 제시합니다. 딥 모델에서 추출한 계층적 특성을 사용하여 강화 학습을 통해 지능 에이전트를 훈련시키며, 시간적 일관성을 행동 설계와 보상 메커니즘에 통합하여 과다 분할 오류를 줄입니다. JIGSAWS 데이터셋에서 수행된 실험 결과, 제안된 방법이 수정 점수 측면에서는 최신 방법론보다 우수하며, 프레임 단위 정확도 측면에서는 유사한 성능을 보였습니다. 우리의 코드는 나중에 공개될 예정입니다.