一种具有精确似然的多类多示例学习方法
机器学习
2019-03-15 v2 机器学习
摘要
我们研究一个多类多示例学习（MIL）问题，其中标签仅表明一个类中是否存在任何示例于训练样本或例子中。未利用进一步信息，例如每个类的示例数量、训练样本中所有示例的相对位置或顺序。此类弱监督学习问题可通过最大化模型似然拟合给定观测而精确求解，并发现应用于多目标检测与定位等图像理解任务。我们讨论其与经典分类问题、传统 MIL 以及连接主义时序分类（CTC）的关系。我们以图像识别为例任务来发展我们的方法，尽管它适用于维度更高或更低的数据而无需过多修改。实验结果表明，我们的方法可用于学习所有卷积神经网络，以求解带有弱标注的真实世界多目标检测与定位任务，例如从 Google 街景图像数据集中转录门牌号序列。
引用
@article{arxiv.1811.12346,
title = {A Multiclass Multiple Instance Learning Method with Exact Likelihood},
author = {Xi-Lin Li},
journal= {arXiv preprint arXiv:1811.12346},
year = {2019}
}
备注
McMIL maximizing exact model likelihood. Implementation: https://github.com/lixilinx/MCMIL