目录
基本信息
- 题目:使用三元组和 Superbag 的基于显式度量的多概念多实例学习
- 等级:2021年发表在sci一区期刊IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS(TNNLS)。
- bib:
@article{chi2021explicit,
title={Explicit Metric-Based Multiconcept Multi-Instance Learning With Triplet and Superbag},
author={Chi, Ziqiu and Wang, Zhe and Du, Wenli},
journal={IEEE Transactions on Neural Networks and Learning Systems},
year={2021},
publisher={IEEE}
}
主要思想
摘要
近年来,多实例学习(MIL)因其在各种场景中的良好性能而受到了广泛关注。尽管如此,大多数先前的研究都隐含地表达了实例和袋子之间的相关性。此外,负实例的重要性在很大程度上被忽视了。因此,我们寻求提出一种可以弥补这些缺陷的明确且直观易懂的方法。在本文中,我们创造性地介绍了基于两个方面的基于度量的多概念 MIL 方法。首先,基于三元组的包嵌入方法识别实例类别并为每个实例显式建立注意力权重。因此,bag embedding是在弱监督的限制下完成的。其次,在 superbag 中开发的实例相关度量方法考虑了多概念问题以提高模型的泛化性能。我们设计了丰富多样的实验来展示我们算法的性能。人工数据实验揭示了所提出网络的可解释性。比较实验的结果证实,我们的方法在多个任务中显示出良好的性能。最后,我们通过消融实验说明了所提出方法的动机。
算法
由上图可知,算法网络架构的创新主要在于两点:
- 三元组的输入形式:一次性输入三个包进行学习。
- Metric unit(度量学习)的应用:度量学习关注的是学习给定任务的相似性或距离度量。 它倾向于捕捉数据之间的重要相关性。在本文中,度量学习主要用来获得实例的权重。
由上图可以看出,度量学习的主要目的是使得正包的嵌入向量相互之间的相似度更大,反之对于负包也是一样。
度量学习对本人来说属于从没听说的程度,后面的内容也就无法细说了。
不过这篇论文的思路以及网络架构还是很值得借鉴的。