- 使用 Fréchet 域距离在数字病理学的多实例学习中检测域偏移
多实例学习在数字病理学应用中具有吸引力,但对于临床实际中的领域漂移敏感性问题尚不清楚,本研究通过训练一种基于注意力机制的多实例学习算法,在来自不同国家的医院数据以及对应于不同程度领域漂移的各个子集上进行分类乳腺肿瘤转移的全切片图像,并提出一 - ICMLTimeMIL:通过面向时间的多实例学习推进多变量时间序列分类
利用弱监督学习将多变量时间序列分类重新定义为多实例学习问题,通过引入基于时间感知的多实例学习池化,结合专门设计的可学习小波位置标记的令牌化变换器,以更好地定位和建模时间序列中感兴趣的模式,并表明该方法在多变量时间序列分类方面的优越性。
- 用于全幻灯片图像分类的紧凑、无偏负实例嵌入
整张切片图像分类中,使用多实例学习和半监督方法来改善基于切片级注释的分类算法,通过在正常切片上引入自由标注信号来减少切片间的变异性并捕捉常见变异因素,该方法显著提高了预测性能并优于其他半监督算法。
- 聚合观测分类的通用无偏方法
该论文提出了一种新的通用的 CFAO 方法,通过为分类器学习提供纯净的监督并使用无偏风险估计器来保证风险的一致性,从而克服了先前研究中的问题。
- 在自由生活状态下,利用未标记数据解决多实例学习问题,提高帕金森震颤的检测效果
介绍了一种基于虚拟对抗训练原理,将半监督学习与多实例学习相结合的新方法,该方法在检测帕金森手震颤上取得了较大的性能提升。
- 领域特定预训练提高全切片图像分类的置信度
该论文研究了域特定预训练模型对神经胶质母细胞瘤分类的影响和应用性,通过考虑目前最先进的多实例学习模型,CLAM 和 TransMIL,并评估模型的置信度和预测性能,表明域特定预训练有助于提高模型置信度并实现 WSI 基础的神经胶质母细胞瘤亚 - 通过中心引导的判别学习实现弱监督视频异常检测
该论文提出了一种基于弱监督学习的异常检测框架 AR-Net,并通过动态多实例学习和中心损失设计了具有较强鉴别特征的回归模型,实现了对监控视频异常的检测,并在 ShanghaiTech 数据集上取得了最新的最好成果。
- Cluster-to-Conquer:全幻灯片图像分类端到端多实例学习框架
本文提出了一种名为 C2C 的聚类解决方案,该方案通过聚类、采样数据以及使用自适应注意机制在自动疾病诊断领域中对大型 WSI 图像进行有效的分类和预测。
- HTTP 网络流量建模中的嵌套多实例学习
本文介绍一种利用多实例学习从计算机网络的 HTTP 流量中识别感染计算机的模型,相较于基于人工设计特征以及基于卷积神经网络自动学习特征的方法,在未见数据的情况下更加准确地识别感染计算机,并为安全研究人员提供有价值的反馈。我们相信这种模型框架 - EMNLP利用来自情感的远程监督来预测话语结构
本研究提出了一种新方法,使用情感分类的远程监督来生成丰富数据进行 RST 风格讨论结构预测,该方法结合了一种基于神经网络的多实例学习和一种 CKY-style 树生成算法,结果表明该解析器在跨领域讨论结构预测方面表现出色。
- ECCV艺术品弱监督物体检测
本研究提出了一种弱监督检测绘画作品中物体的方法,仅需要图像级别的注释,结合多实例学习方法的效率,可以快速学习新的绘画类别,避免了手动标记的繁琐任务。通过在多个数据库上展示实验证明,放弃实例级别注释仅会造成轻微性能损失。我们还介绍了一个新的数 - NIPS窄带音频关键词识别的多实例级联分类
本文提出了一个基于深度神经网络 (DNNs)、级联分类器、多特征表示和多实例学习的关键词检测 (KWS) 方法,用于处理在非独立同分布环境下收集的窄带语音信号。级联分类器通过早期结束的方式处理了任务中的类别不平衡问题,并可减少计算设备的能耗 - ECCV为指称表达理解建模物体间的语境关系
提出了一种技术,该技术通过整合对象之间的上下文来理解指代表达式,使用 LSTM 学习指代表达式的概率,并利用多示例学习 (MIL) 方法发现上下文区域,使用最大边际 MIL 目标函数训练 LSTM,实验结果表明,与仅建模对象属性相比,建模对 - 使用弱标签数据进行音频事件检测
本文提出使用弱标签数据学习声音事件检测器的框架,并给出两个基于支持向量机和神经网络解决多实例学习的方法,有助于提高数据处理效率和实现完整音频记录描述。
- 基于轻松多实例支持向量机的物体发现应用
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 - 多层多实例弱监督目标定位
本文介绍了一种采用多实例学习方法、利用二进制标签训练目标探测器并推断正样本中物体的位置的弱监督学习方法,旨在解决目标分类定位问题,同时提出了一种多因素多实例学习流程和窗口细化方法,将之应用于高维特征,例如 Fisher 向量和卷积神经网络特 - 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。