Aug, 2008

多实例多标签学习

PDF
TL;DR本文提出了 MIML（多实例多标签学习）框架，可以更方便、更自然地表示具有多重语义含义的复杂对象，并基于简单的退化策略提出了 MimlBoost 和 MimlSvm 算法。同时，本文还提出了用于解决 MIML 问题的 D-MimlSvm、InsDif 和 SubCod 算法，并在实验中证明了它们的优异表现。
mimlmulti-instancemulti-labeldegeneration strategycomplicated objects
发现论文，激发创造
  • 高效多示例多标签学习

    本文提出了一种名为 MIMLfast 的方法来解决大规模数据集上的多实例多标记学习问题，该方法通过构建在所有标签之间共享的低维子空间并训练标签特定的线性模型来优化近似排名损失，并探索复杂标签的子概念以实现良好性能，该方法时间成本大大降低。

    Oct, 2013

  • 基于图形的标签增强多示例多标签学习

    本文提出了一种基于图标签增强的新的多实例多标签分类学习框架（GLEMIML）以提高分类性能和利用标签的重要性。GLEMIML 首先通过建立图识别实例之间的相关性，然后通过非线性映射将从特征空间挖掘到的隐含信息迁移到标签空间，从而恢复标签的重要性，并通过匹配和交互机制训练增强的数据，GLEMIML (AvgRank:1.44) 在多个基准数据集上表现出比 SOTA 方法 (AvgRank:2.92) 更好的结果。

    Apr, 2023

  • 具有多样的互相关联结构的单阶段广义多实例多标签学习及其在医学图像分类中的应用

    该研究提出了一种名为 BMIML 的新单阶段框架，它包含三个创新模块：基于 BLS 的自动加权标签增强学习、可缩放多实例概率回归（SMIPR）和交互式决策优化（IDO），可以在单个阶段中实现整个图像、实例和标签之间的多样互相关系学习，以提高分类准确性并快速训练，同时在准确性方面高度竞争，并且速度比大多数 MIML 方法快得多，甚至对于大型医学图像数据集（>90K 图像）也是如此。

    Sep, 2022

  • MIML 库：用于多实例多标签学习的模块化灵活库

    MIML 库是一个用于开发、测试和比较多实例多标签（MIML）学习分类算法的 Java 软件工具，它包括 43 种算法，具有特定的数据管理和划分格式、评估性能的标准度量指标以及报告生成功能。

    Feb, 2024

  • 使用马尔科夫网络的判别训练进行多实例学习

    本文提出了一种基于马尔可夫网络的多实例学习图形框架，可用于建模传统的 MIL 定义以及更一般的 MIL 定义，并在弱监督数据中探索了不同水平的不确定性。为了训练这些模型，我们提出了一种利用基于基数的 cliques 的有效推理的判别最大化边际学习算法。实验结果表明编码或学习不确定性的程度可以提高分类性能。

    Sep, 2013

  • 多实例神经网络的重访

    该论文探讨了利用神经网络解决多示例学习问题，并提出了一种新的多示例神经网络来学习 “bag representations”，该网络采用深度监督和反向传播进行参数优化，并在多项基准测试中取得了最优或竞争性能。

    Oct, 2016

  • 基于注意力机制的深度多示例学习

    本文提出了一种基于神经网络的置换不变聚合运算符，并展示了其在多个 MIL 数据集上的实验表现，特别是在两个真实组织病理学数据集上的表现，同时保持了可解释性。

    Feb, 2018

  • 多实例局部标签学习的消歧注意嵌入

    本篇研究提出了一种名为 DEMIPL 的算法，采用消歧关注机制将多实例袋子 (AKA 多袋) 转换为单一向量表示，并通过动量消歧策略在候选标签集中识别地面真相标签，为肠癌分类研究提供了一个真实世界的 MIPL 数据集，并在基准和真实世界的数据集中获得了比其他著名 MIPL 和部分标签学习方法更卓越的实验结果。

    May, 2023

  • 全卷积多类多实例学习

    本文提出了一种利用多实例学习（MIL）方法进行多类语义分割的学习的新算法，只需要通过图像级标记进行训练，同时采用全卷积网络来优化细分标签的分配。实验结果表明，该方法在 PASCAL VOC 数据集的分割挑战任务中有良好的表现。

    Dec, 2014

  • 利用神经网络形式主义解决多实例问题

    本文提出了一种基于神经网络的多实例学习技术，在 14 个公开基准数据集上进行了八种分类器的比较，结果表明该技术可以有效地优化和发现袋子中的未知模式

    Sep, 2016