研究MIL池化滤波器对多示例学习任务的影响
计算机视觉与模式识别
2020-06-03 v1 机器学习
摘要
多示例学习(MIL)模型中使用了不同的MIL池化滤波器。在本文中，我们研究不同的MIL池化滤波器在真实世界MIL任务中对MIL模型性能的影响。我们设计了一个基于神经网络的MIL框架，包含5种不同的MIL池化滤波器：“max”、“mean”、“attention”、“distribution”和“distribution with attention”。我们还在真实世界的淋巴结转移数据集上构建了5种不同的MIL任务。我们发现，我们的框架在某一任务中对于不同滤波器的性能是不同的。我们还观察到五种池化滤波器之间的性能也因任务而异。因此，为每个MIL任务选择正确的MIL池化滤波器对于获得更好的性能至关重要。此外，我们注意到带有“distribution”和“distribution with attention”池化滤波器的模型在几乎所有任务中都持续表现良好。我们将这一现象归因于“distribution”类池化滤波器所捕获的信息量。而基于点估计的池化滤波器，如“max”和“mean”，产生分布的点估计，“distribution”类池化滤波器则捕获分布中的完整信息。最后，我们将带有“distribution”池化滤波器的神经网络模型与文献中经典MIL数据集上最佳的MIL方法进行了性能比较，我们的模型优于其他方法。
引用
@article{arxiv.2006.01561,
title = {Studying The Effect of MIL Pooling Filters on MIL Tasks},
author = {Mustafa Umit Oner and Jared Marc Song Kye-Jet and Hwee Kuan Lee and Wing-Kin Sung},
journal= {arXiv preprint arXiv:2006.01561},
year = {2020}
}
备注
16 pages