多示例学习中基于稀疏网络反演的关键实例检测
机器学习
2020-09-09 v2 机器学习
摘要
多示例学习（MIL）旨在给定包级正或负标签的情况下预测一个示例包的单标签，训练阶段无法访问包中每个实例的标签。由于正包同时包含正实例与负实例，当一组实例被归类为正包时，常需检测正实例（关键实例）。基于注意力的深度MIL模型是近期在包级分类与关键实例检测（KID）上的进展。然而，若正包中正负实例无明显区分，基于注意力的深度MIL模型因注意力分数偏斜于少数正实例而KID性能有限。本文提出一种在KID任务中改进基于注意力的深度MIL模型的方法。主要思想是利用神经网络反演找出哪些实例对训练后MIL模型产生的包级预测作出了贡献。此外，我们将稀疏约束融入神经网络反演，导出由近端梯度法求解的稀疏网络反演。基于MNIST的图像MIL数据集与两个真实组织病理学数据集的数值实验验证了方法的有效性，表明在保持包级预测性能的同时KID性能显著提升。
引用
@article{arxiv.2009.02909,
title = {Sparse Network Inversion for Key Instance Detection in Multiple Instance Learning},
author = {Beomjo Shin and Junsu Cho and Hwanjo Yu and Seungjin Choi},
journal= {arXiv preprint arXiv:2009.02909},
year = {2020}
}
备注
8 pages, 4 figures, in Proceedings of the 25th International Conference on Pattern Recognition (ICPR-2020)