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
杨小扩1 小时前
第4章:实战项目一 打造你的第一个AI知识库问答机器人 (RAG)
人工智能·机器人
whaosoft-1431 小时前
51c~目标检测~合集4
人工智能
雪兽软件1 小时前
2025 年网络安全与人工智能发展趋势
人工智能·安全·web安全
元宇宙时间2 小时前
全球发展币GDEV:从中国出发,走向全球的数字发展合作蓝图
大数据·人工智能·去中心化·区块链
小黄人20253 小时前
自动驾驶安全技术的演进与NVIDIA的创新实践
人工智能·安全·自动驾驶
ZStack开发者社区4 小时前
首批 | 云轴科技ZStack加入施耐德电气技术本地化创新生态
人工智能·科技·云计算
X Y O4 小时前
神经网络初步学习3——数据与损失
人工智能·神经网络·学习
唯创知音5 小时前
玩具语音方案选型决策OTP vs Flash 的成本功耗与灵活性
人工智能·语音识别
Jamence5 小时前
多模态大语言模型arxiv论文略读(151)
论文阅读·人工智能·语言模型·自然语言处理·论文笔记
tongxianchao5 小时前
LaCo: Large Language Model Pruning via Layer Collapse
人工智能·语言模型·剪枝