机器学习笔记 - 多实例学习(MIL)弱监督学习

多实例学习(MIL)是一种弱监督学习方法,适用于处理没有单独实例标签的集合数据。在医疗影像分析、物体识别、药物发现、文本分类和视频监控等领域有广泛应用。深度多实例学习结合了深度学习,通过注意力机制学习实例的加权平均来推断标签。文章详细介绍了MIL的原理、应用以及深度MIL的实现步骤。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、多实例学习概述

        多实例学习(MIL)是一种弱监督学习形式,其中训练实例被排列在称为袋的集合中,并为整个袋提供标签。这种方式越来越受到人们的关注,因为它自然适合各种问题,并允许利用弱标记数据。因此,它被应用于计算机视觉和文档分类等不同的应用领域。

        多实例学习(MIL)处理以集合形式排列的训练数据,称为bag。不提供袋子中所含实例的单独标签。这种问题表述引起了研究界的广泛关注,尤其是近年来,解决大型问题所需的数据量呈指数级增长。大量的数据需要越来越多的标签工作,弱监督方法,可以减少这种负担。MIL在许多其他应用领域得到了越来越多的应用,如图像和视频分类、文档分类和声音分类。

        MIL是监督学习的一种变体,在很多文章或者论文中,大多是进行病理学应用。该技术涉及将单个类标签分配给输入集合 - 在此上下文中称为实例包。虽然假设包中的每个实例都存在标签,但无法访问这些标签,并且在训练期间它们仍然未知。如果袋子中的所有实例都是负的,则袋子通常标记为负数,如果至少有一个正实例(称为标准 MIL 假设),则标记为正数。下图显示了一个简单的示例,其中我们只知道钥匙串是否包含可以打开给定门的钥匙。这使我们能够推断绿色钥匙可以打开门。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

坐望云起

如果觉得有用,请不吝打赏

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值