多示例学习python_2020多示例学习Paper速览

本文搬运自个人公众号：嬉皮工匠

1. A Multiple-Instance Densely-Connected ConvNet for Aerial Scene Classification, IEEE TRANSACTIONS ON IMAGE PROCESSING, 2020

示例分类+注意力机制
论文地址： https:// ieeexplore.ieee.org/abs tract/document/9023551
本文讲多示例学习方法在空中场景分类上做了应用，创新性不大，但动机明确。
本文讲网络结构分成了三个模块：示例分类、池化、包分类。
第一个模块，直接在DenseNet的基础上对通道数、卷积核大小、卷积数量等做了增删改。
第二个模块，做了类似于attention-based deep multiple instance learning中的注意力处理，目的是对每个示例的语义信息做差异化处理，突出关键示例。 这里作者分别在Spatial和Channel两个角度做了Attention。
第三个模块，用了一个常规的多分类网络结构。
文章脉络比较清晰，用到的方法基本都是基于深度的多示例方法的标准策略，推荐阅读。

2. A Novel Attribute-based Symmetric Multiple Instance Learning for Histopathological Image Analysis, IEEE TRANSACTIONS ON MEDICAL IMAGING,2020

应用概率图模型区分示例属性
论文地址： https:// ieeexplore.ieee.org/abs tract/document/9067062
本文提出得概念比较新颖，多示例学习中往往关注的是Key Instance，而对所有Negative Instance 一视同仁地忽略。本文以此为出发点，提出了类似于Key Negative Instance的想法，应用于组织病理学图像。从上图中可以看得到，本文将示例的属性，分为了positive attributes, negative attributes 和 irrelevant attributes。也就是说，没有局限于Positive Bag中的positive instance，而是同时考虑了Negative bag中独有的属性。那些会同时出现在两种包中的示例，被设置为不相关属性。
巧妙运用了概率图模型中的隐变量和观测变量。其中对示例属性的划分就是通过隐变量实现的，并通过观测变量限制属性数量。

3. OutfitNet: Fashion Outfit Recommendation with Attention-Based Multiple Instance Learning, WWW, 2020

借鉴了Triplet思路的时尚服装搭配推荐方法。
论文地址： https:// dl.acm.org/doi/abs/10.1 145/3366423.3380096
本文提出了两个Triplet阶段的多示例学习方法。
第一个阶段，给出一套服装搭配S、及一个在S中出现过的单件i和未出现过的单间j，一次构建第一个triplet,然后通过网络搭建，使S与i更为接近。最后得到的是关于(S, i)的特征向量h+和关于(S, j)的特征向量h-。
第二个阶段，用户介入,构建(user, h+,h-)的triplet。思路与第一阶段类似。