特征融合以提升分类效果：结合 Dempster-Shafer 理论与多个 CNN 架构
计算机视觉与模式识别
2024-05-31 v1 人工智能
机器学习
摘要
针对深度学习 (DL) 中的不确定性问题，本文提出一种新型算法，利用 Dempster-Shafer 理论 (DST) 集成多个预训练模型，构建一个能够提供更可靠和增强分类结果的集成系统。该方法的主要步骤包括特征提取、质量函数计算、融合以及期望效用计算。在 CIFAR-10 和 CIFAR-100 数据集上进行了多项实验，结果表明，基于 DST 的方法在分类准确率方面优于最佳单个预训练模型，分别提升了 5.4% 和 8.4%。结果凸显了 DST 作为一种稳健框架在处理数据不确定性方面的潜力，尤其是在实际场景中应用深度学习时。
引用
@article{arxiv.2405.20230,
title = {Feature Fusion for Improved Classification: Combining Dempster-Shafer Theory and Multiple CNN Architectures},
author = {Ayyub Alzahem and Wadii Boulila and Maha Driss and Anis Koubaa},
journal= {arXiv preprint arXiv:2405.20230},
year = {2024}
}