MIL多示例学习的理解

多示例学习：包(bags) 和 示例 (instance)

包是由多个示例组成的。
举个例子，在图像分类中，一张图片就是一个包，图片分割出的patches就是示例。
在多示例学习中，包带有类别标签而示例不带类别标签，最终的目的是给出对新的包的类别预测。

多示例学习是弱监督学习中的一个有效方法。用于训练分类器的instance是没有类别标记的，但是bags却是有类别标记的，这一点与以往所有框架均不甚相同。

（1）我们就拿图像分类举个例子：图像分类是基于图像内容来确定图像目标的类别。
例如：一张图片上存在"sand"、“water"等各种示例，我们研究的目标是"beach”。在多示例学习中，一张图像作为一个"包"：X={X1,X2,X3, …, Xn}。Xi是特征向量（也就是我们所说的示例），是从图像中对应的第i个区域中提取出来的，总共存在N个示例区域。那么，"包"中当且仅当"sand"和"water"都存在时，此时"包"才会作上"beach"标签。
显然，利用这种方法来研究图像分类就考虑到了图像中元素之间关系，相比单示例方法在某些情况下得出的分类效果更好。

（2）问题的实际应用：做检测问题，标记训练图片样本的时候需要给出一个矩形框指明目标的位置，有可能标的不够准确，导致不同的样本之间对不齐，这时候可以将标记的矩形框做一些局部扰动得到一些新的矩形框，将它们一起看成一个bag，其中总有一个是最佳的正样本，也就是标记为正。而取一张没有目标的图片，作为负样本包，无论在里面怎么截取图片，都是负样本。

• 参考链接：https://baike.baidu.com/item/多示例学习/6801797?fr=aladdin
• 参考链接：https://www.cnblogs.com/rong86/p/6071748.html