宾大团队用主动学习+弱监督，手术视频标注工作量省近一半
Laparoscopes · x · 2026-11-11
宾夕法尼亚大学团队在 IJCARS 发表（IPCAI 会议报告）研究：即使有基础模型，标注仍是手术 AI 的瓶颈，他们将主动学习工程化，把手术视频标注速度提升最多 50%。
- 方法：用基础模型（DINOv3 特征）从视频生成时间一致的类激活图（CAM），结合两个训练目标——基于视频级器械在场标签的弱监督损失，以及基于人工修正标注的图像级掩码损失。
- 流程迭代提出伪掩码，引导专家只做修正而非从头密集标注，采用 human-in-the-loop 的知识获取框架。
- 结果显示训练结束时标注工作量较全人工减少约 50%，无需从一开始就构建大型全标注数据集，可扩展到手术器械分割模型开发。
所属事件:宾大团队用主动学习将手术视频标注提速近半(3 条相关)→
「研究」频道最新
- AI 会大幅减少生物实验?反驳:未映射的信号通路仍需湿实验证伪 — francoisfleuret · 2026-11-12
- Recursive 自研系统造出 Flint:40B 稀疏模型本地跑 agent 编码 — agihouse_org · 2026-11-12
- Recursive 谈开放式研究:像agent科学家社群一样并行做海量实验 — agihouse_org · 2026-11-12
- Tim Shi 剖析递归自我改进:从学数据到发现新架构的四层路径 — agihouse_org · 2026-11-12
- Perplexity 后续：聚焦边界描述使 agent 边界投入提升约 60 个百分点 — perplexity_ai · 2026-11-12
- Perplexity 红队实测：CTF 题设会误导 agent 偏离安全边界 — perplexity_ai · 2026-11-12