双流最大自注意力多示例学习
计算机视觉与模式识别
2020-06-11 v1 机器学习
摘要
多示例学习（MIL）是一种弱监督学习形式，其中单个类标签被分配给一个示例包，而示例级标签不可用。训练分类器以准确判定包标签与示例标签在许多实际场景（如计算组织病理学）中是一项具有挑战性但关键的任务。近来，完全由神经网络参数化的 MIL 模型因高灵活性与优越性能而流行。此类模型大多依赖注意力机制，在包内示例嵌入间分配注意力分数，并使用聚合算子生成包嵌入。本文提出一种由神经网络参数化的双流最大自注意力 MIL 模型（DSMIL）。第一流采用简单 MIL 最大池化，确定顶部激活的示例嵌入并用于在第二流中获取跨示例嵌入的自注意力分数。与多数先前方法不同，所提模型基于相同示例嵌入联合学习示例分类器与包分类器。实验结果表明，我们的方法相较于最佳 MIL 方法具有更优性能，并在基准 MIL 数据集上展现出最先进的性能。
引用
@article{arxiv.2006.05538,
title = {Dual-stream Maximum Self-attention Multi-instance Learning},
author = {Bin Li and Kevin W. Eliceiri},
journal= {arXiv preprint arXiv:2006.05538},
year = {2020}
}