多实例学习简介

多实例学习(Multiple Instance Learning, MIL)是一种弱监督学习方法,主要特点是在训练过程中,标签是赋予 "样本包(bag)" 而不是单个实例(instance)。

基本概念:

  • 实例(Instance):单个数据点,如一张图像的一个小块。

  • 包(Bag):由多个实例组成的集合。

  • 标签(Label):只对整个包有标签,包内实例没有单独标签。

典型假设(Standard MIL Assumption):

  • 如果一个包中至少存在一个正实例,则该包为正;

  • 如果包中所有实例都是负的,则该包为负。

应用场景:

  • 病理图像分析:整张切片为正例时,仅意味着某个区域有病变,而非所有区域;

  • 药物发现:某种化合物活性为正,并不意味着其所有构象都有效;

  • 图像分类:仅提供图像级标签,但图像中可能只有局部区域与标签相关。

主要方法:

  1. 基于实例选择的方法(如MI-SVM):尝试在包中找到关键的"正实例"。

  2. 嵌入方法(如Deep MIL):将整个包映射为一个向量,再进行分类。

  3. 注意力机制方法:为每个实例分配权重,自适应学习关键区域。

小结:

多实例学习解决了标签粒度不匹配的问题,适用于实例级难以标注但包级标签易获得的场景。随着深度学习的发展,MIL也被广泛用于弱监督学习、目标定位和医学图像分析等领域。


一句话理解:

找到正实例(或估计其贡献)是为了更好地构造"包"的表示,最终对整个包进行分类(正或负)。

  • 找到正实例 ≈ 找到对包分类结果影响最大的实例。

  • 找到后,通过聚合这些实例的特征,形成包的表征。

  • 然后再对包进行分类(正/负),与常规分类模型一样使用标准损失函数优化。

可类比理解为:

一张正例 Whole Slide Image 中,仅某些 patch 含癌变。通过 MIL,我们找到这些关键 patch,用它们构造整张图的表达向量,再判断这张图是否为阳性。

相关推荐
fsnine4 分钟前
深度学习——CNN实例手写数字
人工智能·深度学习·cnn
vivo互联网技术8 分钟前
微信小程序端智能项目工程化实践
前端·人工智能·微信小程序·端智能
vvilkim11 分钟前
PyTorch 损失函数与优化器全面指南:从理论到实践
人工智能·pytorch·python
fsnine14 分钟前
深度学习——卷积神经网络
人工智能·深度学习·cnn
三之又三16 分钟前
卷积神经网络CNN-part2-简单的CNN
人工智能·神经网络·cnn
机器之心24 分钟前
谷歌放出Nano Banana六大正宗Prompt玩法,手残党速来
人工智能·openai
艾醒31 分钟前
大模型面试题剖析:大模型微调数据集构建
人工智能·算法·程序员
慧都小项40 分钟前
构建安全的自动驾驶:软件测试中的编码规范与AI验证
人工智能·测试工具·安全·自动驾驶·parasoft
GEO_JYB40 分钟前
车载卫星通信:让自动驾驶“永不掉线”?
人工智能
用户5191495848451 小时前
Azure MCP Server:连接AI与Azure服务的智能桥梁
人工智能·aigc