＜论文阅读03＞ Clustering-based multiple instance learning with multi-view feature

引入

  题目：具有多视图特征的基于聚类的多实例学习 (Clustering-based multiple instance learning with multi-view feature)
  代码：
  摘要：多示例学习（MIL）是一种特殊的分类问题，其中样本（称为“实例”）被分组到包中，并且标签仅在包级别而不是实例级别给出。从专家和智能系统的角度来看，MIL 不需要完整的真实标签，这有助于降低实际任务中数据标签的成本。许多诱人的问题，如图像分类、视频注释和对象检测都可以在 MIL 框架中制定。在本文中，我们提出了一种基于相似性的方法，以多视图特征方式进行聚类，以有效地解决 MIL 问题。聚类被引入作为实例选择的一种新策略。考虑到未标记的数据，聚类方法非常适合获取特征空间中的隐藏结构信息，因此我们利用基于聚类的策略来利用这些信息来发现正例。为了充分利用原始输入数据，我们在多视图特征空间中进一步开发了我们的方法，以使我们的模型从不同的特征空间捕获信息并为整个系统提供支持。已经对用于分类的基准数据集进行了实验，我们还进行了图像检索以检查大型图像数据集 MIL-NUS-WIDE 上的扩展多视图模型。有希望的结果证明了我们基于聚类的 MIL (CMIL) 模型的有效性。

@article{he2020clustering,
  title		=	{Clustering-based multiple instance learning with multi-view feature},
  author	=	{He, Chengkun and Shao, Jie and Zhang, Jiasheng and Zhou, Xiangmin},
  journal	=	{Expert Systems with Applications},
  volume	=	{162},
  pages		=	{113027},
  year		=	{2020},
  publisher	=	{Elsevier}
}

1 方法概述

  在本文中，提出了一种新颖的基于聚类的 MIL (CMIL) 方法，并将其扩展到多视图特征空间。 为了构建模型，我们遵循基于实例选择的 MIL 模型的一般框架。 该模型包含两个训练阶段：正例选择和分类器训练。

1. 首先提取多视图特征，然后我们采用基于聚类的策略来利用隐藏结构信息来发现正实例。
2. 聚类后，多个相似性图建立在组上。 根据这些图为每个实例给出一个排名分数，并选择排名靠前的实例作为正实例。
3. 在分类器训练阶段，使用多视图特征训练多核支持向量机（SVM）。
   

2 关键技术

训练阶段

  在训练阶段，两个阶段是选择正例和训练 SVM。 正包中的实例首先被聚类，对于每个聚类组，首先计算成对实例的相似性。 每组采用实例排序算法，选择高分实例作为正例。 由于我们发现了正实例和已知的负实例，因此将 MIL 问题转换为一般分类。

测试阶段

  对测试包中的实例进行实例级预测。 然后，按照标准假设，如果袋子至少有一个正例，则将其标记为正例。