基于发散度度量用于不完整多视角数据的不确定性量化
计算机视觉与模式识别
2025-07-15 v1
摘要
现有的多视角分类和聚类方法通常通过利用和融合来提高任务准确性。然而，在处理噪声或损坏数据时，确保多视角集成和最终决策的可靠性至关重要。当前方法常依赖于Kullback-Leibler(KL)散度来估计网络预测的不确定性，忽略不同模态之间的领域差距。为此提出基于H"older散度的KPHD-Net，用于多视角分类和聚类任务。一般而言，KPHD-Net采用变分Dirichlet分布表示类别概率分布，建模来自不同视角的证据，然后与Dempster-Shafer证据理论(DST)集成，以提高不确定性估计效果。我们的理论分析表明，Proper H"older散度提供了更有效的分布差异度量，确保了在多视角学习中的优异性能。此外，引入并结合Dempster-Shafer证据理论于卡尔曼滤波，以提供未来状态估计。这一整合进一步增强了最终融合结果的可靠性。广泛的实验表明，所提出的KPHD-Net在分类和聚类任务中在准确性、鲁棒性和可靠性方面均优于当前最先进的方法，具有理论保证。
引用
@article{arxiv.2507.09980,
title = {Uncertainty Quantification for Incomplete Multi-View Data Using Divergence Measures},
author = {Zhipeng Xue and Yan Zhang and Ming Li and Chun Li and Yue Liu and Fei Yu},
journal= {arXiv preprint arXiv:2507.09980},
year = {2025}
}