视角冲突下的鲁棒模糊多视角学习
计算机视觉与模式识别
2026-05-26 v1 人工智能
多媒体
摘要
可信多视角分类旨在提供可靠的融合以实现准确预测，近年来在学术界和工业界都引起了广泛关注。然而，现有的可信多视角分类方法通常假设在训练和测试阶段不同视角之间严格对齐，这在实际场景中往往不切实际。这一局限性促使我们重新审视可信多视角分类，并将其扩展到一个更具挑战性的设定：如何在训练和推理阶段减轻视角冲突（VC）的影响。针对这一设定，现有的可信多视角分类方法存在三个关键局限：不确定性估计不足、决策误导以及对视角冲突的过拟合。为解决这些问题，本文提出了一种基于模糊集理论的新型鲁棒模糊多视角学习（R-FUML）框架。具体而言，R-FUML 将网络输出建模为模糊隶属度以量化类别可信度，并使用基于熵的方法进行可靠的多视角融合。为此，我们提出了一种鲁棒多视角融合（RMF）策略，该策略同时考虑了视角特定的不确定性和视角间的冲突，从而减轻了视角冲突对决策的不利影响。为了在训练过程中识别并克服视角冲突，我们进一步设计了一个针对视角冲突的鲁棒学习（RLVC）框架。RLVC 利用神经网络的记忆效应隔离冲突样本，然后通过对这些冲突视角施加惩罚来重新训练模型。在八个公开数据集上的大量实验表明，R-FUML 在鲁棒性和不确定性估计方面始终优于 15 种最先进的基线方法。代码将在接收后发布。
引用
@article{arxiv.2605.24475,
title = {Robust Fuzzy Multi-view Learning under View Conflict},
author = {Siyuan Duan and Yuan Sun and Dezhong Peng and Yingke Chen and Xi Peng and Peng Hu},
journal= {arXiv preprint arXiv:2605.24475},
year = {2026}
}