近年多示例论文阅读(6): A similarity-based two-view multiple instance learning method for classification-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_39228514/article/details/122718383

基本信息

题目：一种基于相似度的二视图多实例分类学习方法。
等级：2020年发表在sci一区期刊Knowledge-based System(KBS)。
bib：

@article{xiao2020similarity,
  title={A similarity-based two-view multiple instance learning method for classification},
  author={Xiao, Yanshan and Yin, Zijian and Liu, Bo},
  journal={Knowledge-Based Systems},
  volume={201},
  pages={105661},
  year={2020},
  publisher={Elsevier}
}

主要思想

摘要

在实践中，我们可能会遇到具有多个视图数据的问题。例如，在图像分类中，总是使用文本信息来描述图像，可以将其视为双视图数据。在本文中，我们提出了一种新的基于相似度的双视图多实例学习（STMIL）方法，可以将双视图数据纳入学习，从而提高 MIL 的分类精度。为了获得预测分类器，我们首先将提出的模型转换为凸优化问题，然后提出一个新的替代框架来解决提出的方法。然后，我们分析了所提出的 STMIL 方法的收敛性。已经进行了实验以比较我们提出的方法和以前的方法的性能。结果表明，我们的方法可以提供优于其他方法的性能。

算法

在这里插入图片描述
以上为双视图数据的一个例子，对于一个样本，既有图像，又有文字描述。

算法

一个实例用 ${x_i, m^+(x_i), m^-(x_i)\}$ 来表示，其中 $x_i$ 表示实例本身的特征值， $m^+(x_i)$ 表示该实例对于正类的相似度， $m^-(x_i)$ 表示该实例对于负类的相似度。如果 $m^+(x_i)=1$ 则表示该实例为正，反之为负。
对于视图A，论文用 $S_p^{A^+}$ 表示正包中的正实例， $S_a^{A^+}$ 表示正包中的其他实例， $S_n^{A^-}$ 表示负包中的实例。对于视图B，符号表示的意思相同，只是需要将A换成B。
基于以上的符号系统，论文将文字描述和图像整合成包，设计了一个基于SVM的多示例算法STMIL并给出了优化过程。
具体的实现步骤后续有空更新。

数据集

论文使用了NUS-WIDE和Flickr30k数据集。