首页|基于改进原型网络的小样本古生物化石识别研究

基于改进原型网络的小样本古生物化石识别研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
传统古生物化石鉴定方法多依赖于古生物学家的经验知识,现有的人工智能识别方法需要大量的化石训练样本才能达到较高的准确率.为解决上述问题,在少量化石图像样本情况下准确识别化石,笔者等尝试使用残差网络和注意力模块相结合的方法,并将其运用于小样本的化石鉴定.首先以残差网络作为模型的特征提取模块,并在残差网络的残差块中嵌入CBAM卷积注意力模块,提高模型对于化石纹理特征的关注,以提取更为全面的深层次化石图像特征,再使用小样本度量学习中的原型网络对提取特征进行原型计算,最后通过多轮次迭代训练得出最佳的化石判别模型.使用本文方法与5种经典的小样本学习方法进行对比实验,实验结果表明本文方法的识别准确率最高,在样本数量为1和5的情况下,准确率达到了 86.32％和 94.21％,对稀缺样本下的化石识别具有更显著的优势.
Research on few-shot paleontological fossil identification based on improved prototype network

paleontological fossil recognitionfew-shot metric learningprototype networkconvolutional block attention moduleresidual network

陈杰、何月顺、熊凌龙、钟海龙、张朝锋、庞振宇

展开 >

东华理工大学信息工程学院,南昌,330013

江西省放射性地学大数据技术工程实验室,南昌,330013

古生物化石识别 小样本学习 原型网络 卷积注意力机制 残差网络

国家自然科学基金江西省放射性地学大数据技术工程实验室开放基金江西省研究生创新专项

41872243JELRGBDT202203YC2022-s625

2023

10.16509/j.georeview.2023.07.032

地质论评
中国地质学会

地质论评

CSTPCDCSCD北大核心
影响因子：1.842
ISSN：0371-5736
年,卷(期)：2023.69(5)
  • 13