تخمین عمق هر چیزی در جراحی رباتیک، با کمک مدلهای پایهای هوش مصنوعی!
یکی از چالشهای کاربرد هوش مصنوعی در جراحی، کمبود دادههای برچسب گذاریشده است و این کمبود، باعث میشود که نتوانیم بسیاری از تسکهای مرتبط با این موضوع را با دقت خوبی به سرانجام برسانیم. پژوهشگران ایتالیایی و انگلیسی اما از این فرصت استفاده کردند و با روش self-supervised (خودنظارتی) اقدام به حل یکی از این مسائل کردند.
این پژوهشگران، در مقالهای [که حدودا ده روز پیش منتشر کردهاند] روشی به نام مخفف DARES را برای بهبود «دقت» تخمین عمق در جراحیهای رباتیک ارائه کردهاند که در واقع تکنیک جدیدی (Vector-LoRA) بر روی مدلهای DAM یا Depth Anything Models است و میتواند تخمین عمق را «توسط دید تکچشمی» را بهبود قابل توجهی ببخشد.
📎کد
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وبسایت ما مراجعه کنید!
🌐 | @medxmedia_net
یکی از چالشهای کاربرد هوش مصنوعی در جراحی، کمبود دادههای برچسب گذاریشده است و این کمبود، باعث میشود که نتوانیم بسیاری از تسکهای مرتبط با این موضوع را با دقت خوبی به سرانجام برسانیم. پژوهشگران ایتالیایی و انگلیسی اما از این فرصت استفاده کردند و با روش self-supervised (خودنظارتی) اقدام به حل یکی از این مسائل کردند.
این پژوهشگران، در مقالهای [که حدودا ده روز پیش منتشر کردهاند] روشی به نام مخفف DARES را برای بهبود «دقت» تخمین عمق در جراحیهای رباتیک ارائه کردهاند که در واقع تکنیک جدیدی (Vector-LoRA) بر روی مدلهای DAM یا Depth Anything Models است و میتواند تخمین عمق را «توسط دید تکچشمی» را بهبود قابل توجهی ببخشد.
📎کد
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وبسایت ما مراجعه کنید!
🌐 | @medxmedia_net