典型文献
基于多分辨率图像的矿物特征自动提取与矿物智能识别模型
文献摘要：
传统卷积神经网络运用于矿物种属鉴定时,由于其较大的参数量和固定输入图像分辨率的限制,需要充足的计算资源与一定的图像预处理能力,难以在实际勘探中部署.为此,基于深度可分离卷积,结合注意力机制,通过密集连接的方式构建矿物智能识别模型,且该模型可以对多分辨率矿物图像进行训练.实验结果表明,模型内存占用仅为20 M b,验证准确率与测试准确率均高于90％,分类效果优于经典卷积神经网络,表现出优异的正负例样本鉴别能力.以上结果证明,该模型在识别性能与内存占用上达到良好的平衡,适用于便携式设备,且能有效地对不同分辨率矿物图像进行识别,并有良好的泛化性,具有潜在的应用价值.
文献关键词：
矿物分类;特征提取;多分辨率;深度学习
中图分类号：
作者姓名：
杨彪;倪瑞璞;高皓;马亦骥;曾德明
作者机构：
昆明理工大学信息工程与自动化学院,昆明650500;昆明理工大学云南省人工智能重点实验室,昆明650500;昆明理工大学非常规冶金教育部重点实验室,昆明650093
文献出处：
引用格式：
[1]杨彪;倪瑞璞;高皓;马亦骥;曾德明-.基于多分辨率图像的矿物特征自动提取与矿物智能识别模型)[J].有色金属工程,2022(05):84-93
A类：
B类：
多分辨率,矿物特征,征自,自动提取,智能识别,识别模型,网络运用,种属鉴定,参数量,图像分辨率,计算资源,图像预处理,处理能力,勘探,深度可分离卷积,注意力机制,过密,密集连接,矿物图像,内存占用,分类效果,正负,鉴别能力,识别性,上达,便携式设备,泛化性,矿物分类
AB值：
0.398359
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
