Oct, 2015

基于轻松多实例支持向量机的物体发现应用

PDF
TL;DR本文提出了一种名为 RMI-SVM 的松弛多实例支持向量机方法，使用 Noisy-OR 模型强制 MIL 约束，并联合优化袋标签和实例标签，以解决传统的 MIL 问题，经实验证明，在各种基准测试中，RMI-SVM 始终实现了卓越的性能。同时，简单应用 RMI-SVM 于一个具有挑战性的视觉任务，常见物体发现，Pascal VOC 数据集上的最新结果进一步证实了该方法的优点。
发现论文，激发创造
  • 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

  • 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

  • 用于检测顺序现实数据集中异常的多实例学习

    本文研究了如何通过多实例学习 (MIL) 方法在不完全了解异常标签的情况下，检测来自不同物理过程及不同模式的实际数据集中的异常，经过实验评估，该方法在挑战性数据集上的表现优于单实例学习，并具有一定的扩展性。

    Oct, 2022

  • C-MIL: 对于弱监督目标检测的连续多实例学习

    本文通过引入 “持续优化” 技术来改善多实例学习中的非凸性问题，并将其命名为持续多实例学习（C-MIL），以此提高弱监督目标检测和弱监督目标定位的准确性和效果。

    Apr, 2019

  • 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

  • ProMIL：面向医学成像的概率多示例学习

    本研究提出了一种基于深度神经网络和 Bernstein 多项式估计的专用实例方法 ProMIL 来解决多实例学习中标签分配问题，并证明其在医学应用方面胜过标准基于实例模型。

    Jun, 2023

  • 任意假设类的多示例学习

    本文提出了一种新的基于 PAC 学习的算法来处理多实例学习中的分类问题，并进行了理论分析，证明了这种算法的样本复杂度仅与背包的大小呈对数关系。

    Jul, 2011

  • 在线实例分类器细化的多实例检测网络

    利用多实例学习（MIL）问题形成的弱监督探测方案，使用在线实例分类器细化算法，基于深度学习结合 MIL 和实例分类器细化程序实现了端到端的训练，通过挖掘空间上的突出实例进行类别提升，最终在挑战 PASCAL VOC 数据集上取得明显优于目前最先进的 47% mAP 的结果。

    Apr, 2017

  • 多实例学习：问题特征和应用综述

    本文综合研究了不同类型的多实例学习问题的特点，并提供了解决每一类问题的方法，考察了这些特征在关键应用领域中的体现，最后通过实验比较了 16 种最先进的算法在所选问题特征上的性能。

    Dec, 2016

  • 用于对象识别的多实例学习卷积神经网络

    本文提出了一种名为多实例学习卷积神经网络（MILCNN）的弱监督卷积神经网络框架，用于解决深度网络训练数据不足的问题， 将 MILCNN 框架应用于目标识别， 并在三个基准数据集（CIFAR10、CIFAR100 和 ILSVRC2015）上报告了最新成果。

    Oct, 2016