本节主要介绍基于机器学习的目标状态识别。以下首先介绍几个概念：1）目标状态：以对抗系统接收到的信号为基准，而界定的对抗目标的状态 2）目标行为：目标辐射源在工作过程中，受到外界电磁环境的影响或系统内部的需要而产生的一种有规律的状态转变

全幻灯片图像 (Whole slide image, WSI) 是一种有着超高分辨率和极少局部标注的图像。当仅有幻灯片级别标签给定时，其可以看作是一个多示例学习 (Multi-instance learning, MIL) 问题。 方法：提出了一种基于MIL的WSI分类和肿瘤检测方法，而不依赖局部标注。............

在已有的MIL方法中，注意力机制往往会集中在一小部分具有辨别性的实例上，这与过拟合密切相关。对此，ACMIL旨在通过减少注意力值的过度集中来提高模型的泛化能力。

多示例学习 (MIL) 广泛应用于自动全幻灯片图像 (Whole slide image, WSI) 分析，其处理策略可以分为：1）实例特征提取；2）特征聚合。然而，由于幻灯片级别标签的弱监督性，MIL模型的训练过程通常会呈现严重的过拟合。在这种情况下，从有限的幻灯片级别标注的数据中发掘更多的信息是至关重要的。与已有的方法不同，本文着重于探索不同实例 (区块) 之间的潜在关系，而非提升实例特征的提

WSI–MIL方法通常基于独立同分布假设，这忽略了不同实例之间的相关性。为了处理这个问题，提出了一个称为相关多示例的新框架。基于该框架，部署了一个基于Transformer的MIL (TransMIL)，其能够同时探索形态和空间信息。TransMIL可视化效果好、可解释性强，能够高效处理不平衡/平滑和二/多分类问题。实验验证了其性能及展示了收敛速度。

弱监督视频级别异常检测是一个典型的多示例学习 (Multi-instance learning, MIL) 问题，每一个视频看作是一个包含多个帧的包，目的是判断包中是否包含异常片段。目前的检测方法性能优异，但它们对正实例，即异常视频中罕见的异常片段的识别，在很大程度上受到了支配性负实例的影响，特别是当异常事件是与正常事件相比时只有很小差异的细微异常时。在许多忽略重要视频时间依赖性的方法中，这个问题

提出了一个重叠LPI波形识别处理框架，其整合了残差注意力U-Net对抗生成网络 (Generative adversarial network, GAN)。该框架包含五个模块，在训练集仅仅是单类型信号的情况下，也能获得很好的识别性能：1、训练信号被转换为时频图；2、使用具有残差学习的残差注意力U-Net GAN (RAUGAN) ，以噪声图像作为输入，并在高质量图像的监督下重建信号图像；3、具有非

提出用于WSI分类的因果多示例学习 (MIL) 框架CaMIL，其利用因果推断处理MIL中的虚假关联问题

由于异常的模糊定义和来自真实视频数据的视觉场景的复杂性，视频中的异常检测仍然是一项具有挑战性的任务。与之前利用重建或预测作为辅助任务来学习时间规律性的工作不同，本工作探索了一种新颖的卷积自编码器架构，该架构可以分离时空表示以分别捕获空间和时间信息，动机则是异常事件通常有着不同于正常事件的外观和/或运动行为。

临床上，病理医生的诊断通常遵循先整体再聚焦的认知过程，即先观察全局组织形态，再聚焦任务相关区域。本文受到这种自上而下注意力机制的启发，提出一种能够自动执行类似诊断流程的 MIL 框架。