多示例学习中的标记稳定性
计算机视觉与模式识别
2017-03-16 v1 机器学习
摘要
我们探讨了多示例学习 (MIL) 分类器中的示例标记稳定性问题。这些分类器仅在全局标注的图像（包）上训练，但通常能为图像像素或图块（示例）提供细粒度标注。这对于仅提供粗略标注的计算机辅助诊断 (CAD) 及其他医学图像分析任务很有意义。遗憾的是，示例标记可能是不稳定的。这意味着训练数据的微小变化可能导致在图像的不同区域检测到异常，从 CAD 的角度来看这是不理想的。尽管 MIL 在 CAD 文献中日益受到欢迎，但这一问题尚未得到解决。我们在 5 个不同的数据集（其中 3 个为医学图像数据集：乳腺组织病理学、糖尿病视网膜病变和计算机断层扫描肺部图像）上研究了多种 MIL 分类器提供的示例标记的稳定性。我们提出了一种无监督度量来评估示例稳定性，并证明了在比较 MIL 分类器时可以在性能与稳定性之间进行权衡。
引用
@article{arxiv.1703.04986,
title = {Label Stability in Multiple Instance Learning},
author = {Veronika Cheplygina and Lauge Sørensen and David M. J. Tax and Marleen de Bruijne and Marco Loog},
journal= {arXiv preprint arXiv:1703.04986},
year = {2017}
}
备注
Published at MICCAI 2015