多实例学习（Multiple Instance Learning，MIL）是一个机器学习概念，用来表述不确切监督（仅有粗粒度标签）的场景。

假设训练图片为I，图片I可看做一个包（bag），其包含了各种特定形式的实例（instance）。

• 目标建议（object proposal，常用于检测任务）和图像像素（image pixel，常用于分割任务）都可以是不同形式的实例。

如果图片I被标记为类别c，这时对于类别c来说，图片I(包 )为正，即该图片I(包) 至少包含一个类别为c的实例；

如果图片I没有被标记为类别c，此时对于类别c来说，图片I(包 )就是负的，即该图片(包)不包含任何类别为c的实例。

在MIL中，多实例包bag的label是已知的（训练集给定），但实例instance的label是未知的。比如，图1(bag)对类别大象来说为正，即该图片中至少有一个类别为大象的实例，但具体是哪一个实例并不清楚。

上面太绕了，按人话来说就是，可以确定图片I中包含大象，但不确定哪个instance是大象

因此，对于MIL来说，训练步骤为 建立分类器，对实例进行分类

参考链接

【1】Weakly Supervised Object Detection with Segmentation Collaboration