arXiv · NLP· Mohamed Hamdy, Iheb Zouari, Fatmaelzahraa Ahmed, Muraam Abdel-Ghani, Muhammed Arsalan, Ponnuthurai Suganthan, Khalid Al-Jalham, Abdulaziz Al-Ali, Shidin Balakrishnan·· 4 小时前AI 评分26
MIS-VQA: 基于注释驱动的手术视觉-语言数据集
MIS-VQA: An Annotation-Driven Surgical Vision-Language Dataset for Complex Surgical Understanding
AI 导读
研究人员提出 MIS-VQA，一个通过注释驱动管线构建的手术视觉-语言数据集，支持四类响应类型。 基于 EndoVis18 和 CholecT50 数据，将相位、器械、交互等标注转化为结构化文本表示，生成临床一致性问题-答案对。 引入 LLaVA-SurgXpert 模型族，实验显示其在现有手术 VQA 基线上取得一致提升，并揭示感知定位与高层推理间的能力差距。
来源：arXiv · NLP · arxiv.org