【深度学习|多实例学习】多实例学习（Multiple Instance Learning, MIL）的起源、发展和应用，附代码（一）

已于 2025-05-05 16:55:10 修改
阅读量1.1k 收藏 13
点赞数 25
分类专栏： 人工智能算法学习笔记 文章标签： 深度学习 学习 人工智能 python 机器学习
于 2025-01-05 07:30:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_89898861/article/details/144794893
版权

【深度学习|多实例学习】多实例学习（Multiple Instance Learning, MIL）的起源、发展和应用，附代码（一）

【深度学习|多实例学习】多实例学习（Multiple Instance Learning, MIL）的起源、发展和应用，附代码（一）

文章目录

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/145551342

多实例学习 (MIL) 概述

1. 起源与发展

多实例学习࿰

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【深度学习|多实例学习】多实例学习（Multiple Instance Learning, MIL）的起源、发展和应用，附代码（二）
2401_89898861的博客
01-05 1364
【深度学习|多实例学习】多实例学习（Multiple Instance Learning, MIL）的起源、发展和应用，附代码（二）
机器学习笔记 - 多实例学习（MIL）弱监督学习
学以致用 知行合一
06-12 2939
多实例学习（MIL）是一种弱监督学习形式，其中训练实例被排列在称为袋的集合中，并为整个袋提供标签。这种方式越来越受到人们的关注，因为它自然适合各种问题，并允许利用弱标记数据。因此，它被应用于计算机视觉和文档分类等不同的应用领域。多实例学习（MIL）处理以集合形式排列的训练数据，称为bag。不提供袋子中所含实例的单独标签。这种问题表述引起了研究界的广泛关注，尤其是近年来，解决大型问题所需的数据量呈指数级增长。大量的数据需要越来越多的标签工作，弱监督方法，可以减少这种负担。
双层特征蒸馏多实例学习应用于病理全幻灯片图像分类（Histopathology Whole Slide Image Classification）（可复现，有问题请联系博主）
03-11
内容概要：本文提出了一种新的方法—双层特征蒸馏多实例学习（Double-Tier Feature Distillation Multiple Instance Learning, DTFD-MIL），用于解决大规模高分辨率病理图像分类难题。针对传统模型中存在的数据样本少和滑窗分割成的patch实例过多的问题，提出了虚拟包的概念来增加训练集的数量并改善模型性能。此外，作者创新地推导了基于注意机制MIL架构下的实例概率公式，为构建和解释MIL模型提供了一个全新的视角，并将其应用到具体的两层MIL框架中进行实例特征的选择与聚合。实验表明，在Camelyon16淋巴结转移检测和TCGA肺癌两种公开数据集上均获得了比最新方法更好的性能。 适合人群：具备机器学习特别是深度学习理论背景的研究人员或相关领域的学生、工程师以及医疗影像数据分析的专业人士。 使用场景及目标：本方法主要适用于处理大尺寸且难以逐像素标注的医疗影像（如病理切片图）。它可以有效地利用有限的数据样本来提升对小比例病灶区域（即阳性样本）识别的能力。通过改进现有的多实例学习方法论，它帮助缓解过拟合问题的同时提升了模型泛化能力。 其他说明
【论文笔记】多任务学习（Multi-Task Learning）
weixin_34406086的博客
01-08 7602
1. 前言 　　多任务学习（Multi-task learning）是和单任务学习（single-task learning）相对的一种机器学习方法。在机器学习领域，标准的算法理论是一次学习一个任务，也就是系统的输出为实数的情况。复杂的学习问题先被分解成理论上独立的子问题，然后分别对每个子问题进行学习，最后通过对子问题学习结果的组合建立复杂问题的数学模型。多任务学习是一种联合学习，多个任务并行学...
【深度学习】基于注意力机制的多实例学习(MIL)图像分类
MUKAMO的博客
06-15 3120
多实例学习（MIL）图像分类技术，适用于医学图像分析中的弱监督学习场景。该技术将图像视为包含多个实例的包，通过注意力机制学习各实例的重要性，从而提高分类准确性。在乳腺癌组织病理学图像分类等应用中，MIL展现出良好的性能。然而，数据标注困难、模型复杂度及可解释性挑战仍需解决。随着深度学习技术的发展，MIL图像分类技术有望在医学图像分析领域得到更广泛应用，为疾病诊断提供有力支持。
多示例学习（Multi-Instance Learning）
00000
06-08 9233
在机器学习中， 多示例学习 (MIL) 是由监督式学习演变而来的。相较于输入一系列被单独标注的示例，在多示例学习中，输入的是一系列被标注的“包”，每个“包”都包括许多示例。举一个二元分类的简单的例子，当包中的所有示例都是负例时，这个包会被标注为负包。另一方面，当包中至少含有一个正例时，这个包会被标注为正包。用图像分类举一个例子：给出一个图像，我们想要根据图像的画面内容来确定它的目标类别。比如，当图像同时包括了“沙子”和“水”时，图像的目标类别可能是“海滩”。
MIL：多示例学习（Multiple Instance Learning）
一只攻城狮的博客
05-19 6197
多示例学习（Multiple Instance Learning）         多示例学习(multiple-instance learning)是1997年被提出的。其与监督学习、半监督学习和非监督学习有所不同，它是以多示例包(bag)为训练单元的学习问题。         在多示例学习中，训练集由一组具有分类标签的多示例包(bag)
Multiple Instance Learning
三少GG
12-09 9579
///////////////////////////////////////////推荐学习组////////////////////////////// http://www.robots.ox.ac.uk/~vgg/ //////////////////////////////////////////////////////////////////////////////////////
多实例学习(MIL)
missgrass的博客
11-30 1541
多示例学习 multiple instance learning (MIL) 在多示例学习中，多示例包bag的label是已知的，示例instance的label是未知的。 图2属于正类，含有“大象”，这个图像label是训练集给定的。但是，图2的3个分割区（instance），哪个区域含有大象，哪个区域不含有大象，我们是不知道的。因此，在多示例中，多示例包bag (图像)的label是已知的（训练集给定的），但是，示例instance（分割区域）的label是未知的。我们的任务是，在正类多示例包bag和负
多示例学习 (multi-instance learning, MIL) 学习路线 (归类、重点文章列举、持续更新)
因吉的博客
01-15 8630
MIL学习路线：归类、重点文章概述 (持续更新ing...)
【深度学习|学习笔记】多实例学习（Multiple‑Instance Learning, MIL）详解，附代码。
最新发布
2401_89898861的博客
05-22 1279
【深度学习|学习笔记】多实例学习（Multiple‑Instance Learning, MIL）详解，附代码。
【Attentionbased-Multi Instance Learning（A-MIL）笔记——多示例学习】
Wermit的博客
07-05 1100
Attentionbased-Multi Instance Learning（A-MIL）论文笔记
多示例学习（Multiple Instance Learning）
junmuzi的专栏
03-17 8359
original url: http://blog.csdn.net/loadstar_kun/article/details/22849247 多示例问题 （Multiple Instance Problem） 我们考虑这样一种训练数据，这个数据是有标记的，标记只有两个类别，正和负。但这一次标记的目标不是一个样本，而是一个数据包（bag)。某一个或者几个数据合在
Multiple Instance Learning（多实例学习）
m0_46154761的博客
11-27 2074
Multiple Instance Learning
多示例学习 multiple instance learning (MIL)
weixin_30346033的博客
11-16 804
多示例学习：包(bags) 和 示例 (instance). 包是由多个示例组成的，举个例子，在图像分类中，一张图片就是一个包，图片分割出的patches就是示例。在多示例学习中，包带有类别标签而示例不带类别标签，最终的目的是给出对新的包的类别预测。 多示例学习是弱监督学习中的一个popular的方法。用于训练分类器的instance是没有类别标记的，但是bags却是有类别标记的，这一点与以往...
多示例学习 multiple instance learning （MIL）
qrlhl的博客
03-05 1万+
最近看了几篇关于多示例学习的文章，虽然都是医学方面的，但是还是对我很有启发。另外，多示例学习近几年已经逐渐被用于基于机器学习框架的组织病理学图像癌症检测等方面，是计算机辅助诊断这一学科中一种新崛起的方法，下面就按照我在论文和网上学到的知识对多示例学习进行一下简单的介绍。         在介绍多示例学习之前，首先要了解两个概念：包（bags）和示例（instance）。包是由多个示例组成的，举个
学习笔记：多示例学习（Multiple Instance Learning)
weixin_42137840的博客
12-04 9886
监督学习（Supervised Learning）：每个训练样本都有自己的标记，这个标记可以是分类类别，可以是分割区域，可以是检测框。 半监督学习：一部分有标记，另一部分只有数据没有标记。这时候需要将没有标记的数据和有标记的数据结合起来进行机器学习，这就是半监督学习 非监督学习：所有的样本都没有标记。实际上，非监督学习没法进行目标明确的分类，拟合，只能做一些分析性的任务，比如说聚类，PCA，字...
多示例学习（Multi Instance Learning）的概念
热门推荐
TRTK
10-10 2万+
多示例学习（Multi Instance Learning）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

努力毕业的小土博^_^

您的鼓励是我创作的动力！谢谢！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值