Jun, 2023

ProMIL：面向医学成像的概率多示例学习

PDF
TL;DR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。
multiple instance learninginstance-based modelspromildeep neural networksmedical applications
发现论文，激发创造
  • ProtoMIL: 使用原型零件进行多示例学习的全幻灯片图像分类

    本文介绍了一种基于可视化原型的 ProtoMIL 弱监督机器学习方法，该方法将原型特征融入对象描述中，使模型能够同时具备高精度和细粒度可解释性。该方法在五个公认的 MIL 数据集上进行了实验验证。

    Aug, 2021

  • 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

  • 具有消除混杂层次预测数据干扰的干预式多实例学习

    该研究提出了一种新颖的干预型多实例学习（IMIL）框架，并通过因果干预设计期望最大化（EM）算法来实现训练过程中的强大实例选择以及抑制袋子上下文先验引起的偏差。 实验表明，IMIL 方法可以显著减少误报，并优于现有 MIL 方法。

    Apr, 2022

  • 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

  • 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

  • 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

  • 动态策略驱动自适应多实例学习用于整张切片图像分类

    将动态实例采样和强化学习集成到一个统一的框架中，形成一种新的动态策略实例选择方案，以改进实例选择和特征聚合，用于更好和更可靠的决策制定。

    Mar, 2024

  • 整体病理图像的干预袋多实例学习

    本文提出了一种名为 Interventional Bag Multi-Instance Learning（IBMIL）的新方案，该方案通过后门调整实现干预式训练，从而消除了包上下文先验的偏差，克服了现有 MIL 方法的一些局限性，提高了 WSIs 分类的性能表现。

    Mar, 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

  • 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