典型文献
基于深度学习与数据增强技术的小样本岩石分类
文献摘要：
在油气勘探中,利用深度学习技术对岩石进行识别与分类能极大提高工作效率.岩石采样并制作样本图像费时费力,因此岩石样本通常较少.有鉴于此,基于深度学习技术设计一个新的神经网络模型MyNet,该模型能对小样本进行学习并完成岩石样本的分类.使用数据增强技术通过Python编程将314张岩石样本扩充成28272张图像,为了充分利用现有数据,取其中的27384张作为训练集,剩余888张作为测试集.将数据分别导入MyNet、ResNet50、Vgg16进行训练和测试.实验结果表明,加载、不加载预训练参数的ResNet50、Vgg16的岩石分类结果因受有无迁移学习影响会有所不同;MyNet的总体分类准确率为75.6％,均优于有无迁移学习的ResNet50、Vgg16,且MyNet、ResNet50、Vgg16所需训练的参数量分别为919278、25503912、138357544,显然,MyNet模型的复杂度与训练代价明显低于其他对比模型,但性能最优,说明新模型应用于小样本的岩石分类可行有效且经济安全,更容易推广应用.
文献关键词：
深度学习;数据增强;迁移学习;小样本;岩石分类
中图分类号：
作者姓名：
张超群;易云恒;周文娟;秦唯栋;刘文武
作者机构：
广西民族大学人工智能学院,南宁530006;广西混杂计算与集成电路设计分析重点实验室,南宁530006
文献出处：
引用格式：
[1]张超群;易云恒;周文娟;秦唯栋;刘文武-.基于深度学习与数据增强技术的小样本岩石分类)[J].科学技术与工程,2022(33):14786-14794
A类：
MyNet
B类：
数据增强技术,小样本,岩石分类,油气勘探,深度学习技术,识别与分类,提高工作效率,费时费力,有鉴于此,技术设计,成岩,使用数据,Python,样本扩充,训练集,测试集,ResNet50,Vgg16,不加,预训练,果因,受有,迁移学习,分类准确率,参数量,对比模型,模型应用,经济安全
AB值：
0.281361
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。
