融合SE-Net的岩石图像分类迁移模型
王志威1
谭美淋1
高贤君2
1.内蒙古自治区测绘地理信息中心 呼和浩特 0100502.长江大学地球科学学院 武汉 430100
摘要：随着深度学习技术的不断发展,卷积神经网络为岩石图像分类提供了新的解决方案.然而不同岩石图像之间特征区分性弱导致模型的分类精度和速度无法满足实际应用需求,因此提出融合SE-Net(Squeeze-and-Excitation Networks)的岩石图像分类迁移模型.该模型基于VGG(Oxford Visual Geometry Group)卷积神经网络模型,并在其全连接层之前嵌入SE-Net,重点关注岩石图像中区分性强的特征区域;然后,通过在ImageNet数据集的网络结构参数基础上进行迁移学习,构建融入注意力机制的深度学习迁移模型,使之能够更快、更准地捕捉岩石多层次特征,从而实现对岩石图像进行快速准确分类,大幅度提高岩石图像分类精度与效率.利用所采集的七类岩石图像对该网络模型进行测试,测试结果显示准确率达到94.12%;与已有网络VGG16、ResNet50及其迁移模型相比较,训练损失、验证损失和模型参数量都有明显降低.实验表明,所提出的网络模型能够在保证模型参数量较小以及对实验机器配置的要求较低的前提下有效地提高岩石图像分类精度.
关键词：卷积神经网络图像增强深度学习迁移学习注意力机制岩石图像分类
分类号：TP181(自动化基础理论)
资助基金：自然资源部地理国情监测重点实验室开放基金(2020NGCM07)
论文发表日期：2025-03-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 697-700,740 )
英文信息