基于码本学习与最近邻投票的贪婪多示例学习
机器学习
2012-05-04 v1
摘要
多示例学习 (MIL) 近期在机器学习领域引起了广泛关注。然而，大多数 MIL 算法速度非常慢，无法应用于大规模数据集。在本文中，我们提出了一种贪婪策略以加速多示例学习过程。我们的贡献主要有两点。首先，我们提出了一个密度比模型，并证明了在一定条件下最大化密度比函数是 DD 模型的下界。其次，我们利用正包与负包之间的直方图比来表示密度比函数，并通过贪婪策略分别为正包和负包寻找码本。在测试阶段，我们采用最近邻策略对新包进行分类。我们在小型基准数据集和大型 TRECVID MED11 数据集上测试了我们的方法。实验结果表明，我们的方法在精度上与当前最先进 (SOTA) 方法相当，同时速度至少提高了一个数量级。
引用
@article{arxiv.1205.0610,
title = {Greedy Multiple Instance Learning via Codebook Learning and Nearest Neighbor Voting},
author = {Gang Chen and Jason Corso},
journal= {arXiv preprint arXiv:1205.0610},
year = {2012}
}
备注
12 pages