多示例学习（Multiple Instance Learning）

多示例学习(multiple-instance learning)是1997年被提出的。其与监督学习、半监督学习和非监督学习有所不同，它是以多示例包(bag)为训练单元的学习问题。

在多示例学习中，训练集由一组具有分类标签的多示例包(bag)组成，每个多包(bag)含有若干个没有分类标签的示例(instance)。如果多示例包(bag)至少含有一个正示例(instance)，则该包被标记为正类多示例包（正包）。如果多示例包的所有示例都是负示例，则该包被标记为负类多示例包（负包）。多示例学习的目的是，通过对具有分类标签的多示例包的学习，建立多示例分类器，并将该分类器应用于未知多示例包的预测。

举例一：

很多传统的分类问题可以转化为多示例学习问题。例如，在图像分类中，我们把含有“大象”的图像被分为正类，不含有“大象”的图像被分为负类。在训练集中，假设60幅图像含有“大象”，40幅图像不含有“大象”。

图1：原图像

（1）对于上图，在传统分类中，一幅图像可以转化为一个向量（示例）。因此，数据集中有60个正类示例（图像）和40个负类示例（图像）。每一个示例（图像）的label都是已知的，训练集给定的。在60个正类示例和40个负类示例的基础上，建立分类器，区分正类示例和负类示例

（2）但是，一幅可能包含复杂的内容信息，譬如这幅画不仅含有“大象”，还包含了天空、和草地等多个图像内容。对于“大象”来说，“天空”和“草地”可以被认为是噪声，这导致预测时分类精确度的降低。

（3）因此如果把整幅图像看作单个向量，难以充分描述多个图像内容。为此，研究者把图像按照不同内容区域进行分割，如下：

图2：分割为3个区域

我们把图2看作一个多示例包bag，1个分割区域看作一个示例instance。由于图2含有3个分割区域，因此图2的多示例包含有3个示例instance。每一个分割区域（instance）可以转化为1个向量。因此，图2的多示例包含有3个向量，这就把传统的图像分类转化为多示例学习问题。

举例二：

知识图谱有信息抽取的人物，这里面包含命名实体抽取，关系抽取，属性抽取。其中实体关系用的较多的方法是远程监督，即给出文本，其中包含两个实体。例如“姚明的妻子是叶莉，她的身高是189cm”。从上述文本我们可以得到，姚明-妻子-叶莉、叶莉-身高-189cm 两组spo三元组。但我们的真实想要的妻子这一关系，故叶莉-身高-189cm属于噪音数据。

我们用大量包含姚明-叶莉的文本进行训练，当然这些文本中姚明和妻子共现，但不一定是妻子，也可能是上司等关系。总之这条文本包含一个姚明-妻子-叶莉，我们就认为这条文本，是一个正类多示例包(bag)。通过多条这样的多事例包的训练，我们可以得到能识别妻子关系的model。之后用该model，预测某文本，是否为妻子关系。

关系抽取远程监督，可以参考链接。

在多示例学习中，多示例包bag的label是已知的，示例instance的label是未知的。图2属于正类，含有“大象”，这个图像label是训练集给定的。但是，图2的3个分割区（instance），哪个区域含有大象，哪个区域不含有大象，我们是不知道的。因此，在多示例中，多示例包bag (图像)的label是已知的（训练集给定的），但是，示例instance（分割区域）的label是未知的。我们的任务是，在正类多示例包bag和负类多示例包bag的基础上，建立分类器，区分正类多示例包和负类多示例包。困难之处在于，每个多示例包含有若干个示例（向量），只有多示例包（图像）的label是已知的，多示例包里面的示例（分割区域）的label是未知的。

多示例学习（Multiple Instance Learning）相关推荐

ObjecT4：On-line multiple instance learning （MIL）学习
原文链接:http://blog.csdn.net/ikerpeng/article/details/19235391 用到论文,直接看翻译. 文章:Robust object tracking wi ...
近年多示例论文阅读(2)： Multiple instance learning: A survey of problem characteristics and applications
目录基本信息核心思想基本信息题目:Multiple instance learning: A survey of problem characteristics and application ...
论文阅读 (86)：Normality Guided Multiple Instance Learning for Weakly Supervised Video Anomaly Detection
文章目录 1 引入 1.1 题目 1.2 摘要 1.3 引用 2 方法 2.1 背景和动机 2.2 正态导向微调模块 2.2.1 正态更新 2.2.2 异常预测微调 2.3 学习目标 2.3.1 正态 ...
Multiple Instance Learning（多实例学习）
0.问题引入首先考虑这样一个实际场景:在医学影像领域中的癌症监测任务中,病理切片的分辨率高大200000 x 100000.很明显,这样的巨大的图片数据很难一次性在内存中进行分类.所以我们我们需要 ...
论文阅读 (90)：Proposal-based Multiple Instance Learning (P-MIL, 2023CVPR)
文章目录 1 要点 1.1 概述 1.2 一些概念 1.3 主要步骤 2 方法 2.1 候选提案生成 2.2 提案特征提取和分类 2.2.1 周围对比特征提取 2.2.2 分类头 2.3 提案微调 2 ...
＜论文阅读03＞ Clustering-based multiple instance learning with multi-view feature
文章目录引入 1 方法概述 2 关键技术训练阶段测试阶段引入题目:具有多视图特征的基于聚类的多实例学习 (Clustering-based multiple instance learn ...
Visual Tracking with Online Multiple Instance Learning (MIL)目标跟踪论文笔记
1. 论文信息论文标题 :Visual Tracking with Online Multiple Instance Learning 论文作者: Boris Babenko,University ...
多示例学习 MIL(multiple instance learning) 理解
多示例学习举例:假如一段视频由很多张图组成,假如10000张,那么我们要判断视频里是否包含某一物体,比如气球.单张标注每一帧是否有气球太耗时,通常人们看一遍说这个视频里是否有气球,就得到了多示例学习的 ...
论文阅读 (四)：MILIS: Multiple Instance Learning with Instance Selection.
文章目录引入学前娱乐摘要算法过程训练测试实例选择和分类器学习 A.A.A. 包级特征表示 B.B.B. 初始化实例原型 C.C.C. 分类 D.D.D. 实例更新引入论文地址学 ...

多示例学习（Multiple Instance Learning）

多示例学习（Multiple Instance Learning）相关推荐

最新文章

热门文章