我们提出了一种基于掩膜注意力变换器的手术器械分割方法（MATIS），这是一个双阶段的完全基于变换器的方法，利用现代像素级的注意机制来进行器械分割。MATIS利用了任务的实例级本质，通过使用一个掩膜注意力模块生成和分类一组精细的器械区域提议。我们的方法通过视频变换器结合长期的视频级信息，以提高时间一致性并增强掩膜分类。我们在两个标准公共基准测试数据集，Endovis 2017和Endovis 2018上验证了我们的方法。我们的实验表明，MATIS的每帧基线性能优于先前的最先进方法，并且包括我们的时间一致性模块进一步提高了我们的模型性能。
论文链接：http://arxiv.org/pdf/2303.09514v1
更多计算机论文：http://cspaper.cn/