Thesis (Ph.D)-Cairo University, 2024.

Bibliography: pages 102-113.

The thesis presents a new adaptive and late multifusion framework for contextual representation that is based on evidential Deep Learning (DL) and Dempster–Shafer Theory (DST). The framework is based on a learning model for heterogeneous multimodality in diverse smart contexts. The proposed adaptive multimodal framework can extract relationships among multiple modal inputs (e.g., image, audio, video; and data) to achieve accurate object classification. There are five layers implemented in the proposed framework which are a software-defined fusion (SWDF) layer, a preprocessing layer, a dynamic classification layer, an adaptive fusion layer, and an evaluation layer.
The experiments are performed using four datasets in SE applications to examine the adaptive object classification in multi-modalities and multi-context.

تقدم هذه الرسالة إ طارًا جديدًا متكيفًا ومتعدد الاندماج المتأخر للتمثيل السياقي والذى يعتمد على التعلم العميق القائم على الأدلة ونظرية ديمبستر-شافر. يعتمد الإطار ا لمقترح على نموذج تعليمي للتعدد الوسائط غير المتجانس في سياقات ذكية متنوعة.
يمكن للإطار المتعدد الوسائط المتكيف المقترح استخراج العلاقات بين مدخلات الوسائط المتعددة )على سبيل المثال،
الصورة والصوت والفيديو والبيانات( لتحقيق تصنيف دقيق للكائنات. هناك خمس طبقات تم تنفيذها في هذا الإطار وهى: طبقة اندماج محددة بالبرمجيات، وطبقة معالجة مسبقة، وطبقة تصنيف ديناميكية، وطبقة اندماج تكيفية، وطبقة تقييم . تم إجراء التجارب باستخدام أربع مجموعات بيانات مختلفة في تطبيقات البيئة الذكية لفحص تصنيف الكائنات التكيفي في الوسائط والسياقات المتعددة

Issued also as CD

Text in English and abstract in Arabic & English.