抽象的
我们考虑在弱监督的环境中学习一个距离度量，其中“袋子”（或集合）的实例标有“袋子”标签。一种一般的方法是将问题提出为多个实例学习（MIL）问题，在该问题中，学到了指标，以便推断为相似的实例之间的距离小于所推断为不同的实例之间的距离。经典方法可以使对学到的指标和类似实例分配的优化交替出现。在本文中，我们提出了一种有效的方法，可以共同学习实例的度量和分配。特别是，我们的模型是通过解决MIL问题的范围的扩展，其中将实例分配给类别，具体取决于Bag Level提供的注释。我们的学习算法比现有的MIL问题的现有度量学习方法要快得多，并且在自动化图像注释和实例分类中获得了面部识别的最先进的识别性能。
作者
Marc T. Law，Yaoliang Yu，拉奎尔·乌尔塔森（Raquel Urtasun），理查德·S·泽梅尔（Richard S.
会议
CVPR 2017
完整的纸
Uber ATG
注释