DACAT：双流自适应剪辑感知时间建模用于稳健的在线手术阶段识别
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文介绍了多种手术阶段识别技术，包括多级时间卷积网络（MS-TCN）、自回归手术变压器（ARST）和SlowFast时间建模网络（SF-TMN），这些方法在胆囊手术视频和Cholec80数据集上表现优异，利用时间和空间信息提升了识别准确率，推动了计算机辅助手术的发展。
❓
Q&A
多级时间卷积网络（MS-TCN）有什么特点？
MS-TCN具有层次化预测和因果扩张卷积的特点，适用于手术阶段识别。
自回归手术变压器（ARST）在手术阶段识别中表现如何？
ARST在Cholec80数据集上表现优异，推断速率达到每秒66帧。
SlowFast时间建模网络（SF-TMN）如何提升手术阶段识别的准确性？
SF-TMN通过帧级和片段级的全视频时间建模，结合时间信息提升了识别准确性。
SurgPLAN的创新之处是什么？
SurgPLAN利用金字塔慢速-快速架构和时间相位定位模块，准确稳定地识别手术阶段。
STAR-Net是如何提高手术阶段识别准确性的？
STAR-Net通过多尺度手术时态行动模块和双分类器序列正则化，提升了识别准确性。
Surgformer的主要优势是什么？
Surgformer采用分层时间注意力机制，显著提升了空间-时间表示效果，具有实际应用潜力。
🏷️
