Multi-Instance Learning 和 Latent SVM

最新推荐文章于 2024-01-15 20:43:24 发布
原创 最新推荐文章于 2024-01-15 20:43:24 发布 · 8.2k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了Multi-Instance Learning和Latent SVM在解决semi-convexity问题中的应用，指出可以使用coordinate descent方法进行求解。具体内容可参考相关论文。

MIL和weakly supervised learning有扯不清的关系（有点虾和蛋的关系）。

Pedro的Latent SVM算是MILSVM的一个变种，相当于在MIL上加上技巧就可以实现Latent SVM，既然是技巧，就是没有大的理论突破。

那仔细看下它们的公式

1. basic linear SVM

这是个convex-problem，可以用lagrangian function来表述，PRML ch7中有讲，不赘述。


2.MIL SVM
最低0.47元/天 解锁文章
Multitask learning techniques for natural language processing
AI天才研究院
07-31 3328
作者：禅与计算机程序设计艺术Multitask learning is a machine learning technique that allows multiple related tasks to be learned simultaneously from the same data and then used together for better performance in each task. In recent years, multitask learning has emerged
【RSCM】《RSCM：Region selection and concurrency model for multi-class weather recognition》
bryant_meng
09-01 1306
IEEE Transactions on Image Processing（TIP）, 2017 paper_list_weather_classification 文章目录1 Background and Motivation2 Advantages / Contributions3 Related work4 Method4.1 Pre-process: Coarse Segmentation4.2 Regional Feature Extraction4.3 Region Selection a.
多示例学习（Multi-Instance Learning）
00000
06-08 1万+
在机器学习中， 多示例学习 (MIL) 是由监督式学习演变而来的。相较于输入一系列被单独标注的示例，在多示例学习中，输入的是一系列被标注的“包”，每个“包”都包括许多示例。举一个二元分类的简单的例子，当包中的所有示例都是负例时，这个包会被标注为负包。另一方面，当包中至少含有一个正例时，这个包会被标注为正包。用图像分类举一个例子：给出一个图像，我们想要根据图像的画面内容来确定它的目标类别。比如，当图像同时包括了“沙子”和“水”时，图像的目标类别可能是“海滩”。
【MIL】论文阅读与翻译——Multi-instance learning: A survey.（2004）
m0_46651960的博客
08-13 1571
Z.-H. Zhou. Multi-instance learning: A survey. Technical Report, AI Lab, Department of Computer Science & Technology, Nanjing University, Nanjing, China, Mar. 2004. Abstract   在多实例学习中，训练集包括由未标记实例组成的标记袋，任务是预测未看见的袋的标记。本文对此主题进行了调查。首先，它介绍了多实例学习的起源。然后，回顾了关于
【MIL】论文阅读与翻译——Ensembles of multi-instance learners.（2003）
m0_46651960的博客
08-11 625
Z.-H. Zhou and M.-L. Zhang. Ensembles of multi-instance learners. In: Proceedings of the 14th European Conference on Machine Learning (ECML’03), Cavtat-Dubrovnik, Croatia, LNAI 2837, 2003, pp.492-502. Abstract： 在多实例学习中，训练集包括由未标记实例组成的标记袋，任务是预测未看见的袋的标记。通过对两种
多示例学习（Multiple Instance Learning）
热门推荐
m0_37565948的博客
03-07 3万+
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(ins...
多示例学习
qq_37828825的博客
04-27 476
1.一个栗子（转载）：知乎–幽兰-多示例学习 多示例学习(multiple-instance learning)[1]由Dietterich等人在1997年提出，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(label)的多示例包(bag)组成，每个多示例包(bag)含有若干个没有分类标签的示例(instanc...
目标检测经典论文——R-CNN论文翻译（纯中文版）：用于精确物体定位和语义分割的丰富特征层次结构（技术报告（第5版））
bigcindy的博客
08-02 4935
R-CNN中英文对照版 用于精确物体定位和语义分割的丰富特征层次结构 技术报告（第5版） Ross Girshick Jeff Donahue Trevor Darrell Jitendra Malik 加州大学伯克利分校 {frbg,jdonahue,trevor,malikg}@eecs.berkeley.edu 摘要 过去几年，在经典数据集PASCAL上，物体检测的效果已经达到一个稳定水平。效果最好的方法是融合了多种低维图像特征和高维上下文...
【论文翻译】Graph Contrastive Learning with Augmentations
weixin_42552121的博客
11-01 1669
Graph Contrastive Learning with Augmentations 目录 Graph Contrastive Learning with Augmentations 摘要 1，引言 2，相关工作 3，方法论 3.1，图形的数据增强 3.2，图对比学习 4，数据增强在图形对比学习中的作用 4.1，数据指导是至关重要的。构成指导的好处。 4.2，有效图形增强的类型、范围和模式 4.3，与“更硬”的任务不同，过于简单的对比任务并没有帮助。 5，与最先进的方法的
多示例学习 (multi-instance learning, MIL) 学习路线 (分类)
因吉的博客
03-05 1万+
多示例学习学习路线介绍，也适用于其他领域
Multi svm_multisvm_matlab_
10-03
Multi SVM code apply for multi classes
多示例学习（Multi Instance Learning）的概念
TRTK
10-10 2万+
多示例学习（Multi Instance Learning）
多示例学习 (multi-instance learning, MIL) 学习路线 (归类、重点文章列举、持续更新)
最新发布
因吉的博客
01-15 1万+
MIL学习路线：归类、重点文章概述 (持续更新ing...)
多示例学习（multi-instance learning）
Deep Learning and NLP Farm
10-24 8181
在此类学习中，训练集由若干个具有概念标记的包（bag）组成，每个包包含若干没有概念标记的示例。若一个包中至少有一个正例，则该包被标记为正（positive），若一个包中所有示例都是反例，则该包被标记为反（negative）。通过对训练包的学习，希望学习系统尽可能正确地对训练集之外的包的概念标记进行预测。
多实例学习
小红花yu
12-04 1194
多实例学习（Multi Instance Learning） 定义： 假设训练数据集中每个数据是一个包（Bag）,每个包都是实例（Instance）的集合，每个包都有一个训练标记，而包中的实例没有标记。多实例的目的是对新的包进行类别预测。 规则： 若包中至少存在一个正标记的实例，则包被赋予正标记。 若包被标为负标记，那其中所有的实例均...
Latent SVM
zhazhiqiang2010的专栏
02-22 2813
原文：http://docs.opencv.org/modules/objdetect/doc/latent_svm.html Discriminatively Trained Part Based Models for Object Detection The object detector described below has been initially proposed byP.
AI人工智能之多示例学习（Multiple Instance Learning）
人工智能讲师分享前沿技术
09-02 836
多示例学习（）和弱监督（weakly supervised）有一定的关系，弱监督weakly supervised有三个含义（或者说三个方向，即三个弱的方面），他的训练数据：1.弱在缺标签：即标签是不完全的，部分有标签，部分无标签。2.弱在标签不准确：即部分标签是错的，部分是对的。3.弱在标签不精确：即标签没有直接打在样本上，而是在一个更高层次上，包标签与样本标签并不不是一个意思。多示例学习中，我们考虑这样一种训练数据，这个数据是有标记的，标记只有两个类别，正和负。
论文阅读 (八)：Multi-instance Learning with Discriminative Bag Mapping (2018MILDM)
因吉的博客
08-21 1286
引入   论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8242668&tag=1   已有工作： 非包映射： 使用一个实例或者所有实例的统计信息表示包，这将丢失大量信息。在这里插入图片描述 传统包映射： 基于实例选取进行映射，但是不能使得包在新的映射空间有效区分。在这里插入图片描述   论文作者提出判别包映射：选取更具代表性的实例，以此构建判别实例池，使得包可以在映射空间得以有效区分。 在这里插入图片描述   说明：所有图片源
论文笔记（5）：Fully Convolutional Multi-Class Multiple Instance Learning
weixin_30391339的博客
01-30 524
这篇论文主要介绍了如何使用图片级标注对像素级分割任务进行训练。想法很简单却达到了比较好的效果。文中所提到的loss比较有启发性。 大体思路： 首先同FCN一样，这个网络只有8层（5层VGG，3层全卷积）。不同的是由于图片只有image-level的标注，所以输出图像的清晰度无法保证，所以没有反卷积。图片的分辨率很低很低，但这相对于我们的期望已经很好了。 FCN框图 LOSS：...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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