論文の概要: Multi-Attention Multiple Instance Learning
- arxiv url: http://arxiv.org/abs/2112.06071v1
- Date: Sat, 11 Dec 2021 21:03:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-14 18:25:54.494072
- Title: Multi-Attention Multiple Instance Learning
- Title（参考訳）: マルチアテンション型マルチインスタンス学習
- Authors: Andrei V. Konstantinov and Lev V. Utkin
- Abstract要約: MIL問題(MAMIL)を解くための新しいマルチアテンションベース手法を提案する。
注目モジュールの1つは、バッグ内の各分析パッチの隣のパッチやインスタンスを考慮に入れている。
パッチの分類予測を説明するための簡単な手法を提案する。
- 参考スコア（独自算出の注目度）: 6.85316573653194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A new multi-attention based method for solving the MIL problem (MAMIL), which
takes into account the neighboring patches or instances of each analyzed patch
in a bag, is proposed. In the method, one of the attention modules takes into
account adjacent patches or instances, several attention modules are used to
get a diverse feature representation of patches, and one attention module is
used to unite different feature representations to provide an accurate
classification of each patch (instance) and the whole bag. Due to MAMIL, a
combined representation of patches and their neighbors in the form of
embeddings of a small dimensionality for simple classification is realized.
Moreover, different types of patches are efficiently processed, and a diverse
feature representation of patches in a bag by using several attention modules
is implemented. A simple approach for explaining the classification predictions
of patches is proposed. Numerical experiments with various datasets illustrate
the proposed method.
- Abstract（参考訳）: バッグ内の各パッチの隣り合うパッチやインスタンスを考慮に入れたMIL問題(MAMIL)を解決するための新しいマルチアテンションベース手法を提案する。
この方法では、アテンションモジュールの1つが隣接するパッチやインスタンスを考慮し、いくつかのアテンションモジュールを使用してパッチの多様な特徴表現を取得し、1つのアテンションモジュールを使用して異なる特徴表現を結合し、各パッチ(インスタンス)とバッグ全体の正確な分類を提供する。
MAMILにより、単純な分類のための小さな次元の埋め込みという形でパッチとその隣人の複合表現が実現される。
さらに、異なるタイプのパッチを効率的に処理し、複数のアテンションモジュールを使用してバッグ内のパッチの特徴を多様に表現する。
パッチの分類予測を説明するための簡単なアプローチを提案する。
各種データセットを用いた数値実験により,提案手法を明らかにした。
関連論文リスト
- Beyond Pixels: Semi-Supervised Semantic Segmentation with a Multi-scale Patch-based Multi-Label Classifier [37.02049053586457]
マルチスケールパッチベースマルチラベル(MPMC)を導入する。
MPMCはパッチレベルの監視を提供し、パッチ内の異なるクラスのピクセル領域の識別を可能にする。
MPMCは、教師のうるさい疑似ラベル監督の影響を軽減するためにパッチレベルの分類を用いて、適応的な擬似ラベル重みを学習する。
論文 参考訳（メタデータ） (2024-07-04T16:21:29Z) - Slot-Mixup with Subsampling: A Simple Regularization for WSI
Classification [13.286360560353936]
全スライド画像 (WSI) の分類は, がんの診断に関係のある症例は少ないが, 病理医には繰り返しズームイン, アウトが必要である。
パッチレベルのラベルがないため、多重インスタンス学習(MIL)はWSI分類器をトレーニングするための一般的なプラクティスである。
MIL for WSIsの課題の1つは、スライドレベルのラベルから来る弱い監督力であり、しばしば過度なオーバーフィッティングをもたらすことである。
我々のアプローチは、元のスライドの基盤となるセマンティクスを著しく変更することなく、WSIのパッチのサブセットをサンプリングすることで、トレーニングデータセットを強化します。
論文 参考訳（メタデータ） (2023-11-29T09:18:39Z) - MS-Former: Memory-Supported Transformer for Weakly Supervised Change
Detection with Patch-Level Annotations [50.79913333804232]
弱い教師付き変化検出のためのメモリ支援トランス (MS-Former) を提案する。
MS-Former は双方向注意ブロック (BAB) とパッチレベルの監視スキーム (PSS) から構成される。
3つのベンチマークデータセットの実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-11-16T09:57:29Z) - Disambiguated Attention Embedding for Multi-Instance Partial-Label
Learning [68.56193228008466]
多くの実世界のタスクでは、関連するオブジェクトは、候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現することができる。
既存のMIPLアプローチは、各インスタンスに拡張候補ラベルセットを割り当て、インスタンスレベルのラベルからバッグレベルのラベルを集約することで、インスタンス空間のパラダイムに従っている。
本稿では,DEMIPLという直感的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-26T13:25:17Z) - Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。
既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。
我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
論文 参考訳（メタデータ） (2023-03-30T03:09:25Z) - Weakly Supervised Semantic Segmentation via Progressive Patch Learning [39.87150496277798]
分類の局所的詳細抽出を改善するために「プログレッシブ・パッチ・ラーニング」アプローチを提案する。
は、機能マップをパッチに分解し、最終的なアグリゲーションの前に各ローカルパッチを独立して処理する。
プログレッシブ・パッチ・ラーニング(Progressive Patch Learning)は、特徴の破壊とパッチ・ラーニングをさらにプログレッシブな方法で多段階の粒度に拡張する。
論文 参考訳（メタデータ） (2022-09-16T09:54:17Z) - Learning Prototype-oriented Set Representations for Meta-Learning [85.19407183975802]
集合構造データから学ぶことは、近年注目を集めている根本的な問題である。
本稿では,既存の要約ネットワークを改善するための新しい最適輸送方式を提案する。
さらに、少数ショット分類と暗黙的メタ生成モデリングの事例にインスタンス化する。
論文 参考訳（メタデータ） (2021-10-18T09:49:05Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Multi-scale Adaptive Task Attention Network for Few-Shot Learning [5.861206243996454]
少数ショット学習の目標は、ラベル付きサンプルの少ない未確認カテゴリを分類することである。
本稿では,マルチスケール適応タスク注意ネットワーク(MATANet)を提案する。
論文 参考訳（メタデータ） (2020-11-30T00:36:01Z) - Rethinking Generative Zero-Shot Learning: An Ensemble Learning
Perspective for Recognising Visual Patches [52.67723703088284]
我々はMPGAN(Multi-patch Generative Adversarial Nets)と呼ばれる新しいフレームワークを提案する。
MPGANは、新しい重み付き投票戦略で、ローカルパッチ機能とラベルが見えないクラスを合成する。
MPGANは最先端の手法よりもはるかに精度が高い。
論文 参考訳（メタデータ） (2020-07-27T05:49:44Z) - Disentangled Variational Autoencoder based Multi-Label Classification
with Covariance-Aware Multivariate Probit Model [10.004081409670516]
マルチラベル分類は、複数のターゲットの存在と欠如を予測する上で難しい課題である。
本稿では,ラベル相関だけでなく,遅延埋め込み空間を効果的に学習するマルチラベル分類のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-12T23:08:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。