用于手术三元组识别的尾部类别增强表征学习

基于摘要分析。该研究面向手术视频单帧中的手术三元组识别，即识别器械、动作与目标，并建立三者关联。针对类别分布严重不均衡、三元组间特征差异较小的问题，作者提出 tail-enhanced representation learning（TERL），通过实例解耦、面向尾部类别的对比学习和语义增强，学习更具区分性的表征。 机制上，作者指出直接应用对比学习存在两类困难：同一图像包含多项活动，可能造成实例特征受到其他类别干扰；尾部类别样本有限，可能难以充分捕获语义。TERL 先用解耦模块获取图像内的实例级特征，再选择尾部类别实例，借助全局记忆库开展对比学习；同时基于记忆库生成组件类别原型，为尾部类别补充组件信息。摘要未给出解耦模块的实现、对比损失、记忆库更新规则或原型融合方式。 作者报告，在 CholecT45 的五折交叉验证划分上，TERL 优于其比较的现有先进方法；摘要未提供具体指标、数值、基线名称或各折结果，因此尚不能判断提升幅度及统计稳定性。作者提供了代码链接，但实现与复现条件尚未核验，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其实例级长尾表征机制或可启发具有多事件共现和类别不均衡的 EEG 任务，但前提是存在可靠的事件监督及可分离实例，不能直接等同于 EEG/BCI 有效性。可复用候选包括记忆库与类别原型，需重新设计 EEG 时序实例提取和正负样本构造；低信噪比、跨被试差异、通道变化及小样本可能使原型偏置或记忆库失配。一个可检验的小实验是在固定跨被试划分下，对同一 EEG 编码器比较基础训练、增加记忆库及增加原型增强，核对尾部类别 F1 与总体 Balanced Accuracy。相关 EEG 工作尚未检索确认。