摘要：针对神经网络可解释性较低，且多模态融合中D-S理论易在高冲突场景出现悖论的问题，提出了一种基于置信估计网络和改进D-S理论的结果级多模态融合方法，该方法包括：(1)一种置信估计网络，将目标检测中的分类问题表述为置信估计问题，输出单模态网络检测结果的置信估计分数；(2)一种改进D-S理论的融合方法，用检测结果的置信度分数和类别信息合成证据，最终融合不同模态检测数据。在KITTI数据集上进行的评估实验表明，本文融合方法的mAP值较图像单模态检测最高提升6.18%，较点云单模态检测最高提升29.96%，融合方法间对比中，本文的mAP提升值高于经典D-S融合0.81%。本文融合方法能够有效减少分类冲突，克服经典D-S的局限性。
文章目录
1 前言
2 模型架构
2.1 置信估计网络
2.2 基于KM算法的目标边框匹配
2.3 基于改进D-S证据理论的目标类别融合
3 实验
3.1 置信估计网络实验
3.2 融合方法实验
3.3 融合结果对比
4 结论
