https://blog.csdn.net/m0_38034312/article/details/77995412
DeepMIML:https://blog.csdn.net/w5688414/article/details/78990301
多示例多标记的出现:真实的对象并不具有唯一的语义。简单来讲一个对象有不同的特征和属于不同的类别
多示例多标记的优点:先过吧,并没有直观的体会到。比如1对多并不是合式函数,从子概念出发更容易分类等。
算法:基于退化策略的miml学习算法(简单理解一下就是从复杂拆分到简单,退化为传统的监督学习问题)
论文
论文本身提出了一个sub concepts层,能够捕获insance和label之间的关系,应该是multi insatnce multi label中的一个很好的深度学习模型。
传统的网络结果例如resnet
224*224->model(resnet)->7*7*1024->gobal pooling 1*1*1024->fc->10class(softmax)
stride 32
2D single instance
L是max pooling 出的列
2D的意思是每个L有K个属性值
3D multipe instances
例如 15*15 *1 -》》15*15*K 子概念层 --》max-pooling via depth
1 介绍
在许多真实世界应用中,感兴趣的对象具有固定的结构,并且它可以表示了一袋实例(a bag of instances),多个标签和这个bag级别相关。例如,在文本分类中,每个文档可能有一些句子作为实例,并且有许多标签指派给文档级别。Multi-Instance Multi-Label为解决这种问题提供了一个框架。
精确地,以MIML的角度,训练数据为{(X1,Y1),…,(Xm,Ym)},包含 bags of instances,其中,没给bag Xi可以表示为Zi实例,例如{xi,1,xi,2,…xi,zi}。输出Yi是一个所有可能性标签{y1,y2,…yL}的子集,其中L为可能的单个标签的数量。过去几年提出了很多MIML的算法,并且应用到了不同域的任务中,例如图片分类,文本分类,视频标注,基因功能预测(gene function prediction),生态系统保护(ecosystem protection)等等。
大多数MIML的研究假设实例(instances)已经提前给出,或者通过一些手工的实例产生器(instance generators)产生,实例产生器直接从原数据集中提取实例。最近,在图片任务上的经验研究表明,无手工设计的实例产生器占据主导。考虑到特征学习技术已经在许多领域都击败了手工特征工程,这促使我们尝试去用自动表示学习来解决MLML问题,尽管这需要大量的数据。
2贡献
在这篇文章中,我们提出了DeepMIMLnetwork,正如其名,这是一个深度神经网络模型,DeepMIML天生具有深度模型的表示学习能力,因此,我们不需要使用另外的实例产生器来产生实例描述。相反,模型本身就可以完成实例表示产生和后继的学习过程。另外,我们仔细的设计了sub-concepts层,MIML的一个明显的优势是,例如,发现输入对和输出语义标签的潜在联系,这个层可以插曲其它类型的网络结构中,例如CNN,使他们具有发现pattern-label关系发现能力。DeepMIM