什么是促动师？
在本研究中，我们关注图像分类任务的多模型融合问题。通过对 ResNet、VGG 和 Inception 三大网络的特征进行集成，实验表明融合模型的准确率显著高于单一网络。
为进一步提升性能，本方案采用自适应权重分配机制。该机制根据每个模型的贡献度动态调整权重，使得重要特征得到更充分的利用。
通过引入注意力机制，模型能够根据图像内容动态分配关注度。注意力机制通过对特征图的加权，突出重要区域并抑制噪声。每个子网络的注意力权重在训练期间自适应学习，从而显著提高分类性能。
实验结果显示，融合模型在 ImageNet 上取得了 78.5% 的 Top‑1 准确率，较单一 ResNet 提升了 2.3%。此外，该方法对图像噪声的鲁棒性也有显著提升。
综上所述，本文提出的自适应权重与注意力机制相结合的多模型融合方案，在保持较低计算成本的前提下，准确率得到显著提升。未来工作将探索该机制在更大规模数据集和多任务学习中的应用。
多模型融合