解锁手术器械增量学习中的正向迁移：一种自反思分层提示框架

针对手术视频场景解析中模型适应性增强的需求，本文提出一种自反思分层提示框架，旨在解锁类别增量分割中的正向前后向知识迁移。该框架基于冻结预训练模型，通过自适应添加器械感知提示，利用分层提示解析树暴露可重用历史知识以简化新类学习（前向迁移）；同时通过有向加权图传播进行自反思优化，提升现有知识代表性并避免灾难性遗忘（后向迁移）。实验表明，该方法在 CNN 和 Transformer 基础模型上均显著优于现有竞争方法。