近年多示例论文阅读(5): Bag Similarity Network for Deep Multi-instance Learning-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_39228514/article/details/122707808

基本信息

题目：多示例学习的包相似网络
等级：2019年发表在sci一区期刊Information Sciences上
bib：

@article{wang2019bag,
  title={Bag similarity network for deep multi-instance learning},
  author={Wang, Xinggang and Yan, Yongluan and Tang, Peng and Liu, Wenyu and Guo, Xiaojie},
  journal={Information Sciences},
  volume={504},
  pages={578--588},
  year={2019},
  publisher={Elsevier}
}

核心思想

摘要

多实例学习 (MIL) 的有效性已通过其在计算机视觉、生物识别和自然语言处理中的广泛应用得到证明。最近，使用深度神经网络解决 MIL 问题已被证明是非常有效的。然而，在当前的多实例神经网络中，每个包的特征表示都是单独学习的，没有考虑包之间的关系。在这项研究中，我们提出了一种新的 MIL 神经网络，强调对包之间的亲和力进行建模。它实现了比以前的方法更有效的包表示。具体来说，具有多个实例的包通过其与其他包的相似度来建模，并且相似度计算在称为包相似度网络（BSN）的新型神经网络中进行。训练 BSN 涉及两个表示学习问题：实例特征学习和包相似度学习。为了避免这些问题复杂的相互依赖，我们通过首先训练一个实例特征学习网络，然后构建一个包相似度网络，将 BSN 训练过程解耦，每个网络都通过反向传播进行端到端优化。实验证明所提出的方法在各种 MIL 数据集上优于其他最先进的方法。

算法

在这里插入图片描述
图中的蓝色部分全为实例级别的全连接网络。对于一个新包 $X_t$ ，其与某个reference bag( $X_{R_i}$ )的距离矩阵(Bag similarity matrix)可如下定义：

其中 $f ()$ 为内积。
若一共有 $t$ 个reference bag，则包 $X_t$ 可用 $t$ 个以上形式的矩阵表示，论文然后提出了一种基于豪斯多夫距离的池化方式：
在这里插入图片描述
其中A为包 $X_t$ 与某个reference bag的距离矩阵。则该包最后可被一个 $t$ 维向量表示，最终可使用一个全连接网络进行分类。
对于reference bags的选择，文中说明是参照的Revisiting multiple
instance neural networks这篇论文中的架构。