特征融合提升分类效果：结合 Dempster-Shafer 理论和多个 CNN 架构

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。

Abstract

Addressing uncertainty in deep learning (DL) is essential, as it enables the development of models that can make reliable predictions and informed decisions in complex, real-world environments where data may be i

uncertainty deep learning dempster-shafer theory ensemble classification

发现论文，激发创造

采用 Dempster-Shafer 方法进行数据分类

本研究采用 Dempster-Shafer 方法作为理论基础来创建数据分类系统，在测试了三个流行的（多属性）基准数据集以及选择正确的属性进行组合后，运用 Dempster 的组合规则对每个数据项的概率进行组合分类并达到了非常高的分类准确率。

Sep, 2014

在线交互式知识蒸馏的特征融合

本研究提出了一种基于特征融合的学习框架，并通过在线知识蒸馏的方式，让不同子网络分类器之间相互教学，提高融合分类器和每个子网络的性能，多项数据集实验证明了该方法在预测准确性方面的有效性。

Apr, 2019

融合多路深度网络进行视频分类

本研究提出了一种多流深度网络架构，用于解决视频分类问题。通过训练三种卷积神经网络来建模视频中的空间、短期动态和音频线索，并采用长短期记忆网络来探索长期时间动态，最终通过自适应融合方法生成预测结果，将多模态信息充分利用。实验证明，该方法的性能明显优于现有的方法。

Sep, 2015

基于 Dempster-Shafer 证据理论的非道路环境中的不确定性感知语义地图构建

通过将证据推理、Evidential Deep Learning（EDL）和 Dempster's combination rule 应用于语义映射，提出了一种证据语义映射框架，以在感知挑战环境下改善不确定性地图的可靠性，并显示与最佳语义映射技术相当的语义准确性。

May, 2024

深度证据融合下的多模态医学图像分割与不确定性量化及上下文折扣

基于深度学习和 Dempster-Shafer 理论的多模式医学图像分割的融合框架，在考虑了每个单模态图像在分割不同对象时的可靠性的情况下，通过背景折扣操作对每个模态的证据进行合并，从而达到最终决策。与现有方法相比，实验结果表明我们的方法在准确性和可靠性方面表现优异。

Sep, 2023

应用 Dempster-Shafer 理论处理共同分析中的认识不确定性

该论文提出了一种对连接数据消息中的认知不确定性进行建模以及根据碰撞概率的置信度对连接事件进行分类的方法，该方法基于证据的 Dempster-Shafer 理论，假设观测到的连接数据消息来自于一组未知分布，利用 Dvoretzky-Kiefer-Wolfowitz 不等式构建了这组未知分布的稳健界限，并从时间序列的连接数据消息构建了 Dempster-Shafer 理论结构，该结构包含了连接数据消息的不确定性，并允许计算给定碰撞概率实现的置信度和可信度。本文提出的方法在几个真实事件上进行了测试，并与欧洲和法国航天局的现有做法进行了比较。

Jan, 2024

一种针对冲突和不确定证据的信念模型 —— 连接 Dempster-Shafer 理论和证据拓扑

本论文提出了一种新的模型，结合了 Dempster-Shafer Theory 和 Evidence 的拓扑模型，可以根据不同标准计算代理的（可能）不同的信念程度，并解决了计算这些程度的问题的 #P-complete 问题。

Jun, 2023

融合深度卷积网络进行大规模视觉概念分类

本研究从大数据方面对卷积神经网络进行了分析，并在单个和多个网络模型上提出了有效的融合机制，为大数据从业人员提供了最佳实践，从而在保持计算成本较低的情况下，在基准数据集上取得了最先进的结果。

Aug, 2016

CDFKD-MFS: 基于多级特征分享的协同无数据知识蒸馏

提出了一种用于资源受限的边缘设备上的深度神经网络压缩的框架，其中包括多输入头的学生模块、不对称对抗数据无关知识蒸馏模块和基于注意力聚合模块，通过多层特征共享的方式实现合作式无数据知识蒸馏，并在三个数据集上的实验结果比现有的最佳方法更好。

May, 2022

自适应集成学习：通过智能特征融合在深度神经网络中提高模型性能

本文提出了一种自适应集成学习框架，旨在通过智能地融合特征来提高深度神经网络的性能。该框架通过集成学习策略和深度学习架构实现更强大和适应性强的模型，能够处理跨多个领域的复杂任务。通过智能特征融合方法，自适应集成学习框架生成更具辨别性和有效性的特征表示，导致改进了模型性能和泛化能力。在多个基准数据集上进行了广泛的实验和评估，包括图像分类，目标检测，自然语言处理和基于图形的学习任务。结果表明，所提出的框架始终优于基准模型和传统的特征融合技术，在增强深度学习模型的性能方面非常有效。此外，本文还探讨了自适应集成模型的设计和实现、集成训练策略和元学习技术，这些都有助于提高框架的多功能性和适应性。综上所述，自适应集成学习框架代表了特征融合和集成学习在深度神经网络领域的重大进展，具有在跨多个领域中改变广泛应用的潜力。

Apr, 2023