Multi-Instance Learning (MIL) 和Multi-Pose Learning (MPL)是CV的大牛Boris Babenko?at UC San Diego提出來(lái)的，其思想可以用下面一幅圖概況。MIL是指一個(gè)對(duì)象的學(xué)習(xí)實(shí)例可能有很多種情況，學(xué)習(xí)的時(shí)候不是用一個(gè)精確的標(biāo)注對(duì)象來(lái)學(xué)習(xí)，而是用一個(gè)對(duì)象的多個(gè)實(shí)例組成的“包”來(lái)學(xué)習(xí)；而MPL是指一個(gè)對(duì)象會(huì)有多個(gè)姿態(tài)（Pose），學(xué)習(xí)的時(shí)候用一個(gè)分類(lèi)器常常難以達(dá)到很好的效果，所以可以訓(xùn)練多個(gè)分類(lèi)器來(lái)分別學(xué)習(xí)不同的Pose。其描述的都是對(duì)一個(gè)對(duì)象多種情況的同時(shí)學(xué)習(xí)和對(duì)齊的策略，也就是MIL是“adjusting training samples so they lie in correspondence”，而MPL是“separating the data into coherent groups and training separate classifiers for each”。

上圖中右邊為MIL的學(xué)習(xí)情況，每一行為一個(gè)對(duì)象的學(xué)習(xí)數(shù)據(jù)；左邊為MPL的學(xué)習(xí)情況，每行為一個(gè)對(duì)象的不同pose學(xué)習(xí)數(shù)據(jù)，而每種顏色的框?yàn)橛?xùn)練的一個(gè)class。MIL被提出以后應(yīng)用很廣，而貌似MPL只有為數(shù)不多的引用，一篇《Multi-Cue Onboard Pedestrian Detection》應(yīng)用的MPL但也沒(méi)有具體的公式。MPL與傳統(tǒng)的Boost方法的不同就是使用如下組合的y代替?zhèn)鹘y(tǒng)的y，其中k表示多個(gè)class，也就是有一個(gè)class識(shí)別為1，則判斷結(jié)果為1。

其迭代訓(xùn)練的步驟也是大致相同，除了復(fù)雜度上多一個(gè)層每個(gè)yk的訓(xùn)練，另外相應(yīng)的更新公式也不同：

之后劍橋提出Multi-Class Learning (MCL)，也是訓(xùn)練多個(gè)class，除了不是用的max(yk)而是用的諸如下面：

Noisy-OR的概率模型，整體思想感覺(jué)和MPL是一樣的。但MCL的迭代更新方法寫(xiě)的要明朗許多，其權(quán)重wki(k表示每個(gè)class,i表示樣本)更新使用如下方法：

注意P二類(lèi)模型中常用的-1~1，而是0~1，所以當(dāng)某個(gè)class判斷為一定不是此類(lèi)的時(shí)候，此樣本在下一次的訓(xùn)練中就會(huì)被去掉，而相應(yīng)的判斷為是的class中權(quán)重加大。而在具體的某一類(lèi)k的class中，判斷錯(cuò)誤的樣本權(quán)重會(huì)相應(yīng)加大，這點(diǎn)又契合了傳統(tǒng)的Boost訓(xùn)練方法。MCL的文章是用在數(shù)據(jù)分類(lèi)上邊：

效果看上去很美味~

參考文獻(xiàn)：

[1]?Boris Babenko, Piotr Doll′ar, Zhuowen Tu, Serge Belongie. Simultaneous Learning and Alignment: Multi-Instance and Multi-Pose Learning.?

[2]?Christian Wojek, Stefan Walk, Bernt Schiele. Multi-Cue Onboard Pedestrian Detection

[3]?Tae-Kyun Kim, Roberto Cipolla. MCBoost: Multiple Classifier Boosting for Perceptual Co-clustering of Images and Visual Features

（轉(zhuǎn)載請(qǐng)注明作者和出處：http://blog.csdn.net/xiaowei_cqu?未經(jīng)允許請(qǐng)勿用于商業(yè)用途）

總結(jié)

以上是生活随笔為你收集整理的MPL,MIL和MCL的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。