HAMIL：基于分层聚合的多示例学习用于显微图像分类
计算机视觉与模式识别
2021-03-18 v1
摘要
多示例学习在计算机视觉任务中很常见，尤其在生物医学图像处理中。传统的多示例学习方法侧重于设计特征聚合方法和多示例分类器，其中聚合操作在特征提取或学习阶段执行。随着深度神经网络（DNNs）通过自动特征学习在图像处理中取得巨大成功，某些特征聚合机制需要被纳入通用的DNN架构以用于多示例学习。此外，灵活性和可靠性是处理实例质量和数量变化的关键考量。在本研究中，我们提出了一种用于多示例学习的分层聚合网络，称为HAMIL。该分层聚合协议按既定顺序实现特征融合，而简单的卷积聚合单元带来了高效且灵活的架构。我们在两个显微图像分类任务上评估了模型性能，即利用免疫荧光图像进行蛋白质亚细胞定位，以及利用空间基因表达图像进行基因注释。实验结果表明，HAMIL在处理这两个任务上优于最先进的特征聚合方法和现有模型。可视化分析也证明了HAMIL聚焦于高质量实例的能力。
引用
@article{arxiv.2103.09764,
title = {HAMIL: Hierarchical Aggregation-Based Multi-Instance Learning for Microscopy Image Classification},
author = {Yanlun Tu and Houchao Lei and Wei Long and Yang Yang},
journal= {arXiv preprint arXiv:2103.09764},
year = {2021}
}