May, 2024
特征融合提升分类效果:结合 Dempster-Shafer 理论和多个 CNN 架构
Feature Fusion for Improved Classification: Combining Dempster-Shafer Theory and Multiple CNN Architectures
Ayyub Alzahem, Wadii Boulila, Maha Driss, Anis Koubaa
TL;DR使用 Dempster-Shafer 理论构建的集成模型解决深度学习中的不确定性问题,通过特征提取、信任度计算、融合和效用计算等步骤,该方法在 CIFAR-10 和 CIFAR-100 数据集上进行的实验展示了显著的分类准确性提升,相较于最佳单一预训练模型分别提高了 5.4% 和 8.4%。结果突出了 Dempster-Shafer 理论在将深度学习应用于现实世界情景中处理数据不确定性方面的潜力。