很久没有看论文和写博客，现在把最近看的一篇多示例学习（MIL）的论文解读一下，希望有所收获。
该篇论文提出了一种由神经网络参数化的双流最大自注意的MIL模型（DSMIL）；
主要步骤：1）第一流部署了一个简单的 MIL max-pooling，并确定了top激活的嵌入实例；2）在第二个流中，通过仅将顶部激活的查询与包中的实例相关联，跨实例计算注意力得分。
特点：基于相同的实例嵌入来训练一个实例分类器和包分类器。
包： B = ( x 1 , y 1 ) , ⋯ , ( x n , y n ) B=(x_1,y_1), \cdots, (x_n,y_n) B=(x1,y1),⋯,(xn,yn)；实例： x i ∈ X x_i \in X xi∈X；实例标签： y i ∈ 0 , 1 y_i\in 0,1 yi∈0,1
包的标签： c ( B ) = 1 − ∏ i = 1 n ( 1 − y i ) c(B)=1-\prod \limits_{i=1}^n{(1-y_i)} c(B)=1−i=1∏n(1−yi)；
假设有一些合适的变换 f f f和 g g g，则 c ( B ) = g ( f ( x 0 ) , ⋯ , f ( x n ) ) c(B)=g(f(x_0),\cdots,f(x_n)) c(B)=g(f(x0),⋯,f(xn))。
关于函数 f f f 和 g g g，MIL有两种模型处理方式：1） 基于实例的方法： f f f 是实例级别的分类器，它为每个实例生成一个类别评分， g g g 是一个池化运算符，用于汇总实例评分以生成袋评分；2） 基于嵌入的方法： f f f 是实例级特征提取器，将每个实例映射到一个嵌入， g g g 是一个聚合函数，它首先将所有实例嵌入映射到一个包嵌入，并根据该包嵌入生成一个包得分。
H = [ h 0 , … , h N − 1 ] ∈ R L × N \mathbf{H}=\left[\mathbf{h}_{0}, \ldots, \mathbf{h}_{N-1}\right] \in \mathbb{R}^{L \times N} H=[h0,…,hN−1]∈RL×N 是嵌入实例的包，其中 h i \mathbf{h}_i hi 是第 i i i 个实例的嵌入。
第一个流是一个具有 MIL max-pooling 的实例级别分类器:
c m = max { W 0 h 0 , … , W 0 h N − 1 } \mathbf{c}_{m}=\max \left\{\mathbf{W}_{0} \mathbf{h}_{0}, \ldots, \mathbf{W}_{0} \mathbf{h}_{N-1}\right\} cm=max{
W0h0,…,W0hN−1}其中， W 0 \mathbf{W}_0 W0是一个全连接层的权值矩阵。
第二个流从嵌入实例学习到嵌入包，并且学习包分类器给嵌入包打分。
步骤1）：通过第一流得到最优激活嵌入实例 h m \mathbf{h}_m hm，然后将嵌入实例转换成两个向量 ：查询向量 q i ∈ R L × 1 \mathbf{q}_i\in \mathbb{R}^{L \times 1} qi∈RL×1 和 信息向量 v i ∈ R L × 1 \mathbf{v}_i \in \mathbb{R}^{L \times 1} vi∈RL×1,
q i = W q h i , v i = W v h i , i = 0 , … , N − 1 \mathbf{q}_{i}=\mathbf{W}_{q} \mathbf{h}_{i}, \quad \mathbf{v}_{i}=\mathbf{W}_{v} \mathbf{h}_{i}, \quad i=0, \ldots, N-1 qi=Wqhi,vi=Wvhi,i=0,…,N−1, 其中 W q \mathbf{W}_q Wq 和 W v \mathbf{W}_v Wv是两个全连接层的权值矩阵。
步骤2）：最大自注意力向量的每一个属性 a i a_i ai :
a i = exp ( s i ) ∑ i = 0 N − 1 exp ( s i ) , s i = ⟨ q i , q m ⟩ , i = 0 , … , N − 1 a_{i}=\frac{\exp \left(\mathrm{s}_{i}\right)}{\sum_{i=0}^{N-1} \exp \left(\mathrm{s}_{i}\right)}, \quad s_{i}=\left\langle\mathbf{q}_{i}, \mathbf{q}_{m}\right\rangle, \quad i=0, \ldots, N-1 ai=∑i=0N−1exp(si)exp(si),si=⟨qi,qm⟩,i=0,…,N−1
步骤3）：嵌入包 b ∈ R L × 1 \mathbf{b} \in \mathbb{R}^{L \times 1} b∈RL×1:
b = ∑ i a i v i \mathbf{b}=\sum_{i} a_{i} \mathbf{v}_{i} b=i∑aivi其中，求和的操作是对每个元素都求和。
步骤4）：包的得分 c ∈ R L × 1 \mathbf{c}\in \mathbb{R}^{L \times 1} c∈RL×1:
c b = W 1 b \mathbf{c}_{b}=\mathbf{W}_{1} \mathbf{b} cb=W1b， W 1 \mathbf{W}_1 W1 是一个全连接层的权值矩阵。
步骤5）：最后包的得分是两个流得分的权值和：
c ^ = ( 1 − λ ) c m + λ c b , λ ∈ [ 0 , 1 ] \hat{\mathbf{c}}=(1-\lambda) \mathbf{c}_{m}+\lambda \mathbf{c}_{b}, \quad \lambda \in[0,1] c^=(1−λ)cm+λcb,λ∈[0,1]
文章浏览阅读2.5w次，点赞6次，收藏50次。官方解释是，docker 容器是机器上的沙盒进程，它与主机上的所有其他进程隔离。所以容器只是操作系统中被隔离开来的一个进程，所谓的容器化，其实也只是对操作系统进行欺骗的一种语法糖。_docker菜鸟教程
文章浏览阅读5.7k次，点赞3次，收藏14次。该如何避免的，今天小编给大家推荐两个下载Windows系统官方软件的资源网站，可以杜绝软件捆绑等行为。该站提供了丰富的Windows官方技术资源，比较重要的有MSDN技术资源文档库、官方工具和资源、应用程序、开发人员工具（Visual Studio 、SQLServer等等）、系统镜像、设计人员工具等。总的来说，这两个都是非常优秀的Windows系统镜像资源站，提供了丰富的Windows系统镜像资源，并且保证了资源的纯净和安全性，有需要的朋友可以去了解一下。这个非常实用的资源网站的创建者是国内的一个网友。_msdn我告诉你
文章浏览阅读1.2k次。vue2封装对话框el-dialog组件_
文章浏览阅读4.7k次，点赞5次，收藏6次。MFC 文本框换行 标签： it mfc 文本框1.将Multiline属性设置为True2.换行是使用"\r\n" (宽字符串为L"\r\n")3.如果需要编辑并且按Enter键换行,还要将 Want Return 设置为 True4.如果需要垂直滚动条的话将Vertical Scroll属性设置为True,需要水平滚动条的话将Horizontal Scroll属性设_c++ mfc同一框内输入二行怎么换行
文章浏览阅读832次。检查Linux是否是否开启所需端口，默认为6379，若未打开，将其开启：以root用户执行iptables -I INPUT -p tcp --dport 6379 -j ACCEPT如果还是未能解决，修改redis.conf，修改主机地址：bind 192.168.85.**；然后使用该配置文件，重新启动Redis服务./redis-server redis.conf..._redis-server doesn't support auth command or ismisconfigured. try
文章浏览阅读4.9k次。济大数电实验报告_数据选择器及其应用
文章浏览阅读236次。1研究内容消费在生产中占据十分重要的地位，是生产的最终目的和动力，是保持省内经济稳定快速发展的核心要素。预测河南省社会消费品零售总额，是进行宏观经济调控和消费体制改变创新的基础，是河南省内人民对美好的全面和谐社会的追求的要求，保持河南省经济稳定和可持续发展具有重要意义。本文建立灰色预测模型，利用MATLAB软件，预测出2019年~2023年河南省社会消费品零售总额预测值分别为21881...._灰色预测模型用什么软件
文章浏览阅读1.2k次。12.4-在Qt中使用Log4Qt输出Log文件，看这一篇就足够了一、为啥要使用第三方Log库，而不用平台自带的Log库二、Log4j系列库的功能介绍与基本概念三、Log4Qt库的基本介绍四、将Log4qt组装成为一个单独模块五、使用配置文件的方式配置Log4Qt六、使用代码的方式配置Log4Qt七、在Qt工程中引入Log4Qt库模块的方法八、获取示例中的源代码一、为啥要使用第三方Log库，而不用平台自带的Log库首先要说明的是，在平时开发和调试中开发平台自带的“打印输出”已经足够了。但_log4qt
文章浏览阅读786次。全局观思维模型，一个教我们由点到线，由线到面，再由面到体，不断的放大格局去思考问题的思维模型。_计算机中对于全局观的
文章浏览阅读330次。一、CountDownLatch介绍CountDownLatch采用减法计算；是一个同步辅助工具类和CyclicBarrier类功能类似，允许一个或多个线程等待，直到在其他线程中执行的一组操作完成。二、CountDownLatch俩种应用场景： 场景一：所有线程在等待开始信号(startSignal.await()),主流程发出开始信号通知，既执行startSignal.countDown()方法后;所有线程才开始执行；每个线程执行完发出做完信号，既执行do..._countdownluach于cyclicbarrier的用法
文章浏览阅读508次。Prometheus 算是一个全能型选手，原生支持容器监控，当然监控传统应用也不是吃干饭的，所以就是容器和非容器他都支持，所有的监控系统都具备这个流程，_-自动化监控系统prometheus&grafana实战
文章浏览阅读4.7k次。输入关键字，可以通过键盘的搜索按钮完成搜索功能。_react search