首页|来自大别山深成侵入岩图像深度迁移学习的可解释性研究

来自大别山深成侵入岩图像深度迁移学习的可解释性研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景.已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率.这与ImageNet数据集上网络结构越深越好的趋势相悖.如何解释这一现象?深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量.大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露.岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型.选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响.借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究.结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征.AlexNet模型的削减试验进一步证明:对于岩石图像深度学习,网络结构并不总是越深越好.
Interpretability of the deep transfer learning with images of plutonic intrusive rocks collected from the Dabie Mountains

deep learninglithological recognitioninterpretabilityconvnet visualizationLIME

陈忠良、袁峰、李晓晖、郑超杰

展开 >

安徽省地质调查院,合肥,230001

合肥工业大学资源与环境工程学院,合肥,230009

深度学习 岩性识别 可解释性 特征图可视化 局部可理解的模型解释

国家自然科学基金国家自然科学基金国家自然科学基金

418201040074207232142202328

2023

10.16509/j.georeview.2023.06.035

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(6)
  • 1
  • 36