Sm: 用于医学影像分类的增强型多实例学习中的局部化

多实例学习 (MIL) 在医学影像分类中广泛用于减少标注工作。虽然只有可用于训练的袋标签，但通常希望在袋和实例级别获得预测（即分类和局部化任务）。早期 MIL 方法将袋内的实例独立处理。近期方法考虑袋内实例之间的全局和局部依赖。尽管它们在分类方面取得了优异成绩，但在局部化方面的性能相对有限。我们认为，这些模型是为分类任务设计的，而在实例级别上的影响尚未深入探讨。受简单观察的启发——即相邻实例很可能具有相同标签——我们提出了一种新颖、原则且灵活的机制来建模局部依赖。它可以单独使用，也可以与任何建模全局依赖的机制（例如 Transformer）结合使用。广泛的实证验证表明，我们的模块在局部化方面实现了最先进的性能，而在分类方面则表现出�优或劣势。我们的代码位于 https://github.com/Franblueee/SmMIL。