多示例学习
文章平均质量分 87
多示例学习方向论文阅读
小王不叫小王叭
用随机梯度下降来优化人生!
展开
-
论文(六):Beyond Classification: Whole Slide Tissue Histopathology Analysis By End-To-End Part Learning
*背景:**WSIs是一种分辨率极高的千像素图像,由于计算成本巨大,卷积神经网络(CNN)无法直接进行处理。**方法:**每个WSI被建模为由K组具有相似特征的pathes组成,定义为部分。关于包标签的损失通过集成的CNN模型反向传播到K个用于表示每个部分的输入pathes。**结果:**可以进行有效的预测。可以进行多标签分类。除了分类之外,还提供了丰富的切片信息,为高质量的临床决策提供支持。原创 2022-11-18 11:47:09 · 887 阅读 · 1 评论 -
论文(五):Cluster-to-Conquer: A Framework for End-to-End Multi-Instance Learning for Whole Slide Image
背景:WSI使用MIL框架进行处理。目前最先进的方法是将学习框架划分为两个分离的部分:CNN用于对pathes进行编码,其次是WSI预测的独立聚合方法。这种方法中聚合步骤与CNN编码器学习到的表示没有关系。方法:提出了端到端的框架,该框架将WSI的pathes聚合为k组,从每组中抽取m个pathes进行训练,并且使用自适应注意机制来预测WSI的水平。。原创 2022-11-01 19:25:02 · 409 阅读 · 0 评论 -
论文(四):DTFD-MIL: Double-Tier Feature Distillation Multiple Instance Learning for Histopathology Whole
背景:MIL越来越多的用于WSI的分类。在WSI的数量有限,而单个WSI的分辨率非常高。方案:提出虚拟包的概念,去扩大包的数量。在虚拟包的基础上构建双层MIL框架,以有效地使用固有特征。此外,还致力于推导基于注意力的MIL框架下的示例概率,并利用推导来帮助构建核分析所提出的框架。结论:所提出的框架在两个WSI数据集上效果很好。原创 2022-10-22 20:56:45 · 1863 阅读 · 4 评论 -
论文(三):Dual-stream Multiple Instance Learning Network for Whole Slide Image Classification
病理图像(WSI)具有非常高的分辨率,并且通常缺乏本地化注释。当只有图像级标签可用时,WSI分类可以被转换为MIL问题。 我们提出了一种基于MIL的WSI分类和肿瘤检测方法,不需要局部标注。这个方法有三个主要组成部分。引入了一种新的MIL聚合器,该聚合器在具有可训练距离度量的双流体系结构中对示例之间的关系进行建模。WSI会产生大的或不平衡的袋子,从而阻碍MIL模型的训练,我们建议使用自监督对比学习为MIL提取良好的表示,并缓解大袋子的记忆成本过高的问题。原创 2022-10-10 21:47:11 · 1652 阅读 · 0 评论 -
论文(二):Kernel Self-Attention for Weakly-supervised Image Classification using Deep Multiple Instance
并非所有的监督学习问题都是用一对固定大小的输入张量和一个标签来描述的。在某些情况下,特别是在医学图像分析中,一个标签对应于一个实例包(例如图像补丁),为了对这个包进行分类,需要从所有实例中聚合信息。有几次尝试创建一个使用实例包的模型,但是,他们假设包内没有依赖关系,并且标签连接到至少一个实例。在这项工作中,我们引入了自注意的基于注意的MIL池(SA-AbMILP)聚合操作来解释实例之间的依赖性。原创 2022-10-06 21:50:32 · 578 阅读 · 0 评论 -
论文(一):Revisiting multiple instance neural networks
近年来,神经网络和多实例学习(MIL)都是人工智能相关研究领域的热门课题。深度神经网络在监督学习问题上取得了巨大的成功,而MIL作为一种典型的弱监督学习方法,在计算机视觉、生物识别、自然语言处理等许多应用中都是有效的。在这篇文章中,我们回顾了多实例神经网络(MINNs),神经网络旨在解决MIL问题。 minn采用端到端方式执行MIL,将具有不同数量实例的袋子作为输入,直接输出袋子的标签。MINN中的所有参数都可以通过反向传播进行优化。原创 2022-10-02 21:30:38 · 913 阅读 · 0 评论