PIGMIL：基于图更新的多示例学习正示例检测
计算机视觉与模式识别
2016-12-13 v1
摘要
正示例检测，尤其是正包中的正示例（true positive instances, TPIs）的检测，在多示例学习 (MIL) 中起着关键作用，该学习源于仅提供包（一组示例）标签信息的特定分类问题。然而，以往大多数针对该问题的 MIL 方法忽略了正示例间的全局相似性以及负示例的非独立同分布性，通常导致 TPI 检测不精确且对异常值敏感。为此，我们提出了一种基于图更新的多示例学习正示例检测方法，称为 PIGMIL，以准确检测 TPI。PIGMIL 从某些工作包 的 WSs 中选择示例作为正候选池。通过度量正示例间的全局相似性以及 PCP 中示例对负示例的鲁棒区分度，构建了一致相似性与区分图。因此，主要目标（即 TPI 检测）被转化为 PCP 更新，该过程通过使用随机游走排序算法和示例更新策略高效更新 CSDG 来近似实现。最后，基于识别出的 TPIs 将包转化为特征表示向量以训练分类器。大量实验证明了 PIGMIL 对 TPIs 检测的高精度，以及与经典基线 MIL 方法相比的优异性能。
引用
@article{arxiv.1612.03550,
title = {PIGMIL: Positive Instance Detection via Graph Updating for Multiple Instance Learning},
author = {Dongkuan Xu and Jia Wu and Wei Zhang and Yingjie Tian},
journal= {arXiv preprint arXiv:1612.03550},
year = {2016}
}
备注
11 pages, 9 figures