为 LSTM 用于解决多示例学习问题辩护
计算机视觉与模式识别
2021-01-15 v5 人工智能
摘要
LSTM 在分析序列数据方面有着经证实的业绩记录。但面对多示例学习（MIL）设定下的无序示例包又如何？尽管不常为此使用，我们展示 LSTM 在此设定下同样表现出色。此外，我们展示 LSTM 能够仅利用包级标注间接捕获示例级信息。因此，它们可用于以弱监督方式学习示例级模型。我们在简化（MNIST）与真实（Lookbook 与 Histopathology）数据集上的实证评估表明，LSTM 与专为处理特定 MIL 问题设计的最先进方法具有竞争力甚至超越之。而且，我们展示其在示例级预测上的性能接近于全监督方法。
引用
@article{arxiv.1909.05690,
title = {In Defense of LSTMs for Addressing Multiple Instance Learning Problems},
author = {Kaili Wang and Jose Oramas and Tinne Tuytelaars},
journal= {arXiv preprint arXiv:1909.05690},
year = {2021}
}
备注
accepted in ACCV 2020 (oral)