嵌套多示例分类
机器学习
2018-08-31 v1 机器学习
摘要
存在一些以图像组而非单张图像作为输入的分类任务。为解决此类情形，我们引入了一种嵌套多示例深度网络。该方法具有通用性，适用于一般数据示例而不仅是图像。该网络在多个阶段将若干卷积神经网络分组在一起。这与此前其他工作的主要区别在于，我们将示例组织为相关组并区别对待。我们还引入了一种替换缺失示例的方法，该方法成功创建了中性输入示例，并在实际用例中持续优于标准填充方法。此外，我们提出了一种在整组示例缺失时进行手动 dropout 的方法，使我们能够使用更丰富的训练数据并在训练结束时获得更高准确率。通过特定的预训练，我们发现与基线方法相比，该模型在我们的实际与公开数据集上效果显著，证明了区别对待示例组的合理性。
引用
@article{arxiv.1808.10430,
title = {Nested multi-instance classification},
author = {Alexander Stec and Diego Klabjan and Jean Utke},
journal= {arXiv preprint arXiv:1808.10430},
year = {2018}
}