多示例学习作为一种弱监督学习，被广泛应用于生物特征识别、图像检索及自然语言处理等领域。为解决现有多示例学习(multiple instance learning, MIL)的池化算子中缺乏可解释性和灵活性等问题，提出一种可学习的权重分配机制模型。通过示例得分得到示例权重，将示例得分与示例权重进行池化，求出包的表示，通过示例得分对权重分配函数进行学习。试验结果表明：文中方法具有更高的分类精度、较好的可解释性和灵活性。
科研之友
微信
新浪微博
Facebook
分享链接
