কেন অনলাইন ফেজ শনাক্তকরণ একটি কঠিন কাজ
একটি অনলাইন সিস্টেম যা অপারেশনের অগ্রগতি পর্যবেক্ষণ করে, তাকে প্রতিটি নতুন ফ্রেমে বর্তমান পর্যায়ের একটি লেবেল দিতে হয়। তার কাছে ভবিষ্যতের ফ্রেম থাকে না: শুধুমাত্র ইতিমধ্যে দেখা বিষয়বস্তুর উপর নির্ভর করা যায়। তাছাড়া, অপারেশন ঘণ্টার পর ঘণ্টা চলে, এবং প্রতি ফ্রেম প্রক্রিয়াকরণের খরচ রেকর্ডিংয়ের প্রতিটি অতিরিক্ত ঘণ্টার সাথে বাড়তে পারে না। অন্যথায়, মডেলটি রিয়েল-টাইমে কাজ চালিয়ে যেতে পারবে না।
আনুষ্ঠানিকভাবে, এই সীমাবদ্ধতার সাথে মানানসই হয় SSD-ভিত্তিক রিকারেন্ট আর্কিটেকচার — structured state-space duality। তারা সম্পূর্ণ ইতিহাস একটি লুকানো অবস্থায় স্থানান্তর করে, এবং প্রতি ফ্রেমে গণনার পরিমাণ স্থির থাকে। কিন্তু SSD-স্তরের নিজস্ব একটি বৈশিষ্ট্য রয়েছে: প্রতিটি হেডের ভিতরের রূপান্তর একটি একক স্কেলার দ্বারা নির্ধারিত হয়। এই স্কেলারটি একই সাথে নির্ধারণ করে যে, বর্তমান ফ্রেমটি অবস্থায় "কোথায়" প্রবেশ করবে এবং অবস্থা থেকে তথ্য কত দ্রুত ভুলে যাবে।
ভিডিও অপারেশনের জন্য, এই কঠোর সংযোগ সমস্যা তৈরি করে। ভিজ্যুয়াল প্যাটার্ন — যন্ত্র, টিস্যু, আগ্রহের ক্ষেত্রগুলির চেহারা — বিভিন্ন পর্যায়ে পুনরাবৃত্তি হয়। একটি ছবির নতুন প্রবেশ পুরানোটির উপরে লেখা হয়, এবং ফলস্বরূপ, দুটি অনুরূপ পর্ব শুধুমাত্র কতদিন আগে ঘটেছে তা দিয়ে আলাদা হয়। লস ফাংশন মডেলটিকে একটি স্পষ্ট সংকেত দেয় না যে কখন অবস্থার পুরানো বিষয়বস্তু অকেজো হয়ে গেছে। উপরন্তু, পর্যায়গুলির দৈর্ঘ্য খুব আলাদা হতে পারে: কিছু কয়েক সেকেন্ড স্থায়ী হয়, অন্যরা পুরো প্রক্রিয়ার একটি উল্লেখযোগ্য অংশ, এবং দৃশ্যত অপারেশনটি প্রায় অপরিবর্তিত দেখাতে পারে।
অবস্থা পুনঃপ্রোগ্রামিং এবং ভুলে যাওয়া নিয়ন্ত্রণ
কাজের লেখক — Sukju Oh এবং Sukkyu Sun — এর জন্য SurgicalMamba মডেলটি প্রস্তাব করেন। তাদের সমাধান রিকারেন্ট স্তরটি সম্পূর্ণরূপে প্রতিস্থাপন করা নয়, বরং বহনযোগ্য অবস্থার আচরণ সংশোধন করা।
প্রথম প্রক্রিয়াটিকে বলা হয় state regramming — অবস্থা পুনঃপ্রোগ্রামিং। প্রতিটি প্রক্রিয়াকৃত চাঙ্কের সীমানায়, লুকানো ভেক্টরটি কেবল এগিয়ে দেওয়া হয় না, বরং একটি কোণে ঘোরানো হয় যা বর্তমান চাঙ্কের বিষয়বস্তুর উপর নির্ভর করে। এর ফলে, দুটি অনুরূপ খণ্ড, যার মধ্যে অন্য একটি পর্যায় অতিবাহিত হয়েছে, অবস্থা-স্থানের বিভিন্ন অঞ্চলে পড়ে এবং একে অপরকে মুছে ফেলা বন্ধ করে দেয়। মডেলটি তাদের শুধুমাত্র বয়স দ্বারা নয়, প্রসঙ্গ দ্বারা আলাদা করতে পারে।
দ্বিতীয় প্রক্রিয়াটি — পর্যায় পরিবর্তনের সময় ক্ষয় নিয়ন্ত্রণ। যখন মডেলটি পর্যায়গুলির মধ্যে একটি সীমানা চিহ্নিত করে, তখন এটি সাময়িকভাবে ভুলে যাওয়া বাড়িয়ে দেয়: অবস্থাটি দ্রুত শেষ হওয়া পর্যায়ের তথ্য থেকে পরিষ্কার হয়ে যায়। পর্যায়ের ভিতরে, ক্ষয় ধীর থাকে যাতে প্রসঙ্গ সংরক্ষিত হয়। পরিষ্কারের তীব্রতা এমনভাবে সামঞ্জস্য করা হয় যাতে মডেলটি দীর্ঘতম পর্যায়ের শেষ পর্যন্ত "বেঁচে থাকে" এবং প্রয়োজনীয় প্রসঙ্গটি অকালে না হারায়।
গুরুত্বপূর্ণ বিষয় হল, উভয় পরিবর্তনই SSD-এর N-আধা-বিভাজ্য কাঠামো ভাঙে না, এবং তাই জটিলতার পূর্বের গ্যারান্টি বজায় থাকে: প্রতি ফ্রেমে O(d)। মডেলটি স্ট্রিমিং কাজের জন্য যথেষ্ট হালকা থাকে।
পরীক্ষাগুলি কী দেখিয়েছে
সাতটি পাবলিক বেঞ্চমার্কে SurgicalMamba সর্বশেষ নির্ভুলতার স্তরে পৌঁছায়। Cholec80 সেটে, অনলাইন নির্ভুলতা ছিল 94.6%, এবং ফেজ Jaccard — 82.7%। AutoLaparo-তে ফলাফল কিছুটা কম, তবে লক্ষণীয়: যথাক্রমে 89.5% এবং 68.9%। একই সময়ে, একটি GPU-তে মডেলটি প্রতি সেকেন্ডে 312.88 ফ্রেম প্রক্রিয়া করে — রিয়েল-টাইমের জন্য যথেষ্ট বেশি।
এখানে ফেজ Jaccard সাধারণ নির্ভুলতার চেয়ে বেশি গুরুত্বপূর্ণ: এটি পরীক্ষা করে যে পূর্বাভাসিত ফেজ ব্যবধানগুলি প্রকৃতগুলির সাথে কতটা ওভারল্যাপ করে। এটি সীমানাগুলিতে ত্রুটির জন্য আরও কঠোর, যেখানে সিস্টেমগুলি সাধারণত সবচেয়ে বেশি ভুল করে।
মজার বিষয় হল, প্রক্রিয়াটি শুধুমাত্র অস্ত্রোপচারে কাজ করে না। যদি একটি স্ট্যান্ডার্ড Mamba2-এ শুধুমাত্র অবস্থা ঘূর্ণন অপারেশন যোগ করা হয়, তবে এটি MQAR মেট্রিক উন্নত করে — দীর্ঘ প্রসঙ্গ থেকে পূর্বে দেখা একাধিক উপাদান বের করার ক্ষমতা। উন্নতিটি ঠিক সেখানেই দেখা যায় যেখানে সীমাবদ্ধতা ছিল রিকারেন্ট অবস্থা। এটি ইঙ্গিত দেয় যে অবস্থা পুনঃপ্রোগ্রামিং রিকারেন্ট মডেলগুলির একটি আরও সাধারণ সমস্যার সমাধান করে, শুধুমাত্র অস্ত্রোপচারের পর্যায় শনাক্তকরণের কাজ নয়।
