Mar, 2017

多示例学习中的标签稳定性

PDF
TL;DR本文探讨了在多实例学习分类器中的实例标签稳定性问题，提出了一个评估实例稳定性的无监督度量，并演示了在比较 MIL 分类器时可以进行性能 - 稳定性权衡。
instance label stabilitymultiple instance learningcomputer aided diagnosismedical image analysismil classifiers
发现论文，激发创造
  • 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

  • 对于全幅图像分类，重新考虑多实例学习：你只需要一个良好的实例分类器

    本文提出了一种基于对比学习和原型学习的实例级 MIL 框架，旨在有效完成实例分类和包分类任务，并提出了通过原型学习生成精确伪标签的方法。在四个数据集上的广泛实验和可视化证明了我们方法的强大性能。

    Jul, 2023

  • 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

  • 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

  • DTFD-MIL: 双层特征蒸馏多示例学习用于组织病理学全切片图像分类

    提出在组织病理学 WSI 分类问题中，通过引入虚拟 pseudo-bags 的概念并构建双层 MIL 框架来扩大样本数，同时在基于注意力的 MIL 框架下推导实例概率，显著优于最新方法并可适用于更广泛的 MIL 应用。

    Mar, 2022

  • 多实例学习的模型无关可解释性

    本文研究了多示例学习（MIL）中模型的可解释性，并提出了几种模型无关的方法来满足这些要求，在多个数据集上与现有的基于模型的 MIL 模型进行比较，并取得了高达 30% 的解释性准确性的提高。同时研究了这些方法识别实例间相互作用的能力和扩展到大型数据集，从而提高了它们应对实际问题的能力。

    Jan, 2022

  • 面向病理图像例级预测的领域自适应多示例学习

    为了在不增加注释成本的情况下提高目标数据集的分类性能，我们提出了一种使用多实例学习和域自适应方法的流程，并提出了一种高置信度的伪标签方法来有效地结合两种方法的监督信息。我们使用为此研究创建的病理图像数据集进行了实验，并证明了所提出的方法相对于现有方法显着提高了分类性能。

    Apr, 2023

  • 多示例学习中的再现性：算法单元测试的案例

    在本研究中，我们调查了五种具有代表性的深度多实例学习模型，并发现这些模型都没有遵守标准的多实例学习假设。它们能够学习到相互反相关的实例，即在看到反例之前默认为 “正例”，这在一个正确的多实例学习模型中是不可能发生的。我们怀疑从这些模型派生的增强方法和其他工作也存在相同的问题。这种错误的学习可能导致操作失误，因此在使用这些模型的任何情况下，都存在潜在的风险。我们提出了一种 “算法单元测试” 的方法来鉴别并证明这个问题，创建了一些可以由遵守多实例学习假设的模型解决的合成数据集，并清楚地显示出违反多实例学习假设的学习结果。五种评估方法中的每一种都未能通过一个或多个这些测试，为识别建模假设的违规提供了与模型无关的方法，我们希望这对未来多实例学习模型的开发和评估有所帮助。

    Oct, 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

  • 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