证据融合的多模态分类模型不确定性度量方法

本发明涉及证据融合的多模态分类模型不确定性度量方法，属于人工智能安全领域。本发明首先按模态划分数据子集，将各模态数据子集分别输入目标模型提取模型全连接层激活值作为该模态原始特征；其次将原始特征分别转化为Softmax类证据和ReLU类证据，再将2类证据转化为符合狄利克雷分布的信任值；然后基于动态信任理论将同一模态内2类信任值相乘得到该模态的信任值，再对各模态信任值加权计算模型的融合信任值；最后利用融合信任值的狄利克雷分布熵度量模型的不确定性。本发明针对现有方法的证据单一影响度量准确性以及不适用多模态分类模型等问题，建立多类型证据并融合应用，不仅适用于多模态分类模型不确定性的度量而且可以提升度量的准确率。