通过迭代自步监督对比学习的多示例学习
计算机视觉与模式识别
2023-07-13 v2 人工智能
机器学习
摘要
在仅提供包级标签时学习个体示例的表示是多示例学习（MIL）中的一个基本挑战。近期工作使用对比自监督学习（CSSL）展示了有前景的结果，其学习将对应于两个不同随机选取示例的表示推远。不幸的是，在医学图像分类等真实应用中，常常存在类别不平衡，因此随机选取的示例大多属于同一多数类，这阻碍了 CSSL 学习类间差异。为解决此问题，我们提出了一种新框架——用于 MIL 表示的迭代自步监督对比学习（ItS2CLR），它通过利用从包级标签导出的示例级伪标签来改进学习到的表示。该框架采用一种新颖的自步采样策略以确保伪标签的准确性。我们在三个医学数据集上评估 ItS2CLR，表明它提升了示例级伪标签与表示的质量，并在包级和示例级准确率上均优于现有 MIL 方法。代码可在 https://github.com/Kangningthu/ItS2CLR 获取。
引用
@article{arxiv.2210.09452,
title = {Multiple Instance Learning via Iterative Self-Paced Supervised Contrastive Learning},
author = {Kangning Liu and Weicheng Zhu and Yiqiu Shen and Sheng Liu and Narges Razavian and Krzysztof J. Geras and Carlos Fernandez-Granda},
journal= {arXiv preprint arXiv:2210.09452},
year = {2023}
}
备注
CVPR 2023 camera-ready version. The first two authors contribute equally. The last two authors are joint last authors