一种基于原型学习的多示例卷积神经网络

被引：40

作者：

何克磊 ^{[1
]}

史颖欢 ^{[1
]}

高阳 ^{[1
]}

霍静 ^{[1
]}

汪栋 ^{[2
]}

张缨 ^{[2
]}

机构：

[1] 南京大学计算机软件新技术国家重点实验室

[2] 中国人民解放军第八一医院

来源：

计算机学报 | 2017年 / 40卷 / 06期

关键词：

深度学习; 多示例学习; 原型学习; 卷积神经网络; 图像分类; 人工智能;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

140502 [人工智能];

摘要：

卷积神经网络是一种全监督的深度学习模型,其要求样本类标完整.在样本类标缺失等弱监督的实际应用中,卷积神经网络的应用受到了极大的制约.为解决弱标记环境下的多示例学习问题,该文提出了一种新的多示例深度卷积网络模型.该模型引入了一种新的原型学习层.该层使用基于原型度量的算法,实现了示例特征至包特征的映射,从而使网络能够在包的层面给予类标信息,进而完成整个模型的学习过程.该文首先在肺癌病理图像细胞分类的问题中,验证了该网络的性能.实验表明,相较于传统基于手工图像特征的方法,该文所提出的方法在准确率方面约有12%的提升.相较于卷积神经网络结合传统多示例学习的方法,所提出的方法在各项指标上同样取得了更好的效果.此外,在自然图像分类数据集GRAZ-02上,所提出的方法相较于目前最优的算法也取得了相当的效果.

引用

页码：1265 / 1274

页数：10

共 4 条

[1]

Multiple instance classification: Review; taxonomy and comparative study[J] Jaume Amores Artificial Intelligence 2013,

[2]

Ensemble sparse classification of Alzheimer's disease[J] Manhua Liu;Daoqiang Zhang;Dinggang Shen NeuroImage 2012,

[3]

Solving the multiple instance problem with axis-parallel rectangles[J] Thomas G. Dietterich;Richard H. Lathrop;Tomás Lozano-Pérez Artificial Intelligence 1997,

[4]

Avoiding false positive in multi-instance learning Y. J. Han;Q. Tao;J. Wang; Advances in Neural Information Processing Systems 2010,

← 1 →