多示例学习作为基于自监督学习的预训练模型的下游任务

Koki Matsuishi; Tsuyoshi Okita

多示例学习作为基于自监督学习的预训练模型的下游任务

计算机视觉与模式识别 2025-05-29 v1 机器学习

作者: Koki Matsuishi , Tsuyoshi Okita

摘要

在深度多示例学习中，可适用的实例数量取决于数据集。在组织病理学图像中，深度学习多示例学习器通常假设一个包中有数百到数千个实例。然而，当脑血肿 CT 中一个包内的实例数量增加到 256 时，学习变得极其困难。在本文中，我们解决了这一缺陷。为了克服这个问题，我们提出将基于自监督学习的预训练模型用于多示例学习器作为下游任务。通过这种方法，即使原始目标任务受到伪相关问题的影响，我们在脑血肿 CT 的低密度标志分类中，准确率提高了 5% 至 13%，F1 指标提高了 40% 至 55%。

关键词

多示例学习自监督学习预训练模型脑血肿 CT 低密度标志分类

引用

@article{arxiv.2505.21564,
  title  = {Multi-instance Learning as Downstream Task of Self-Supervised Learning-based Pre-trained Model},
  author = {Koki Matsuishi and Tsuyoshi Okita},
  journal= {arXiv preprint arXiv:2505.21564},
  year   = {2025}
}