仪器仪表学报

作者：熊鹏文，胡慕烨，黄雨轩，曾成，叶艳辉

单位：熊鹏文,1.南昌大学先进制造学院南昌330031； 2.智能机器人江西省重点实验室南昌330031； 3.南昌大学机器人研究所南昌330031,steven.xpw@ncu.edu.cn,胡慕烨,1.南昌大学先进制造学院南昌330031； 2.智能机器人江西省重点实验室南昌330031； 3.南昌大学机器人研究所南昌330031,,黄雨轩,1.南昌大学先进制造学院南昌330031； 2.智能机器人江西省重点实验室南昌330031； 3.南昌大学机器人研究所南昌330031,,曾成,1.南昌大学先进制造学院南昌330031； 2.智能机器人江西省重点实验室南昌330031； 3.南昌大学机器人研究所南昌330031,,叶艳辉,1.南昌大学先进制造学院南昌330031； 2.智能机器人江西省重点实验室南昌330031； 3.南昌大学机器人研究所南昌330031,

关键词：多模态融合;纹理分类;证据理论;不确定性

基金：国家自然科学基金（62373181,62163024）、江西省“双千计划”（jxsq2023201097）、江西省杰出青年基金（20232ACB212002）、江西省重点研发计划青年科学家（S20252488）、国家重点研发计划“智能机器人”专项（2023YFB4704903）项目资助

传统多模态融合方法假设各模态数据在不同样本上的质量分布均匀,未能充分考虑模态间信息可靠性的动态变化。这种静态融合策略在数据质量异质性较强的情境下,难以对低质量模态进行适应性调控,从而导致信息融合过程受噪声干扰或模态缺失等因素的影响较大,无法充分发挥融合优势。当样本数量较少时,上述问题进一步削弱了分类器的鲁棒性。为增强模型在小样本纹理分类任务上的可靠性和适应性,提出一种面向小样本纹理分类的多模态证据融合框架(SMEF-TC)。在主观逻辑架构下,采用狄利克雷分布统一刻画类别概率与预测不确定性,使模型在推理阶段无需额外的不确定性量化步骤,有效避免了传统贝叶斯推断所依赖的高成本计算。在考虑各个模态不确定性的基础上,通过证据理论进行融合,使模型能够自适应地调整不同模态在决策中的贡献,避免冗余信息的干扰。相比传统方法,SMEF-TC在多模态融合过程中不仅考虑了各模态的信息证据,还考虑了预测不确定性,这种策略让模型在噪声环境、部分模态缺失或数据质量不均衡的情况下,仍能维持较高的识别精度。实验结果表明,所提出的SMEF-TC框架在公开的纹理数据集LMT-108和LMT-184上分别取得96.53%和94.70%的准确率,该方法在面向小样本纹理辨识任务时,相比现有方法更为精准和稳健。

来源：2025年第6期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第6期