多实例验证
摘要
我们探索多实例验证问题设置，其中查询实例需要与具有异构未知相关性的目标实例包进行验证。研究表明，基于注意力的多实例学习方法和孪生神经网络等标准验证方法的简单适配在此设置中并不适用：直接组合最先进的多实例学习方法与孪生网络的性能不优于（有时甚至显著差于）简单基线模型。推测这可能是由于目标包的表示未能融入查询实例所致，我们引入名为“交叉注意力池化”的新池化方法。在CAP框架下，我们提出两种新颖的注意力函数以解决在目标包中区分高度相似实例的挑战。通过对三项不同验证任务的实证研究，我们证明CAP在分类准确率和关键实例检测能力方面均以显著优势超越最先进多实例学习方法的适配版本和基线模型。消融研究将优越的关键实例识别能力归因于新注意力函数。
[摘要][PDF][文献] [代码]
