多实例学习(MIL)

多实例学习(MIL)是一种机器学习方法，其中训练样本被组织成包(bags)和示例(instances)的形式。包是由多个示例组成的，而示例是包中的元素。在MIL中，包带有类别标签，而示例则没有类别标签。MIL的目标是通过学习包的特征来进行对新的包的类别预测。

MIL方法在全局注释的图片上进行训练，但可以给出patch级或者像素级的标签。这意味着在训练样本中的instance必须存在标签，即使只标注了一部分也可以。MIL方法已经成为研究的热点，从最初的基于轴平行矩形的方法到后来的DD、EMDD、Citation-kNN、SVM、神经网络和条件随机场方法的运用。

需要注意的是，MIL方法与监督学习和无监督学习有所不同。MIL方法用于训练分类器的示例是没有类别标记的，但是包却是有类别标记存在的。根据MIL的特有规则，如果一个包中存在至少一个被分类器判定标签为正的示例，则该包被认为是正包；如果一个包中所有的示例都被分类器判定标签为负，则该包被认为是负包。

总之，多实例学习是一种特殊的机器学习方法，通过学习包的特征来对新的包进行类别预测。它与监督学习和无监督学习有所不同，并具有特有的规则来判断包的类别。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* *3* [机器学习：多示例学习MIL](https://blog.csdn.net/weixin_41108334/article/details/83029582)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"]
[ .reference_list ]