基于残差网络的岩石分类
计算机视觉与模式识别
2024-02-20 v1
摘要
岩石分类是一个重要的地质问题，因为它提供了关键的地层信息。然而，利用卷积神经网络对该问题的探索尚不充分。为解决这一问题，我们提出了两种基于残差神经网络的方法。首先，我们采用数据增强方法扩充数据集。通过在 ResNet34 基础上修改卷积核尺寸、归一化方法及网络结构，我们在测试集上取得了 70.1% 的准确率，较常规 ResNet34 提升了 3.5%。此外，利用类似 BoTNet 的骨干网络（其结合了多头自注意力机制），我们在模型中进一步引入了内部残差连接。这一改进提升了模型性能，在测试集上达到了 73.7% 的准确率。我们还探讨了瓶颈 Transformer 模块数量对模型性能的影响，发现拥有超过一个瓶颈 Transformer 模块的模型可能无法进一步提升性能。最后，我们相信该方法能启发未来的相关研究，且我们的模型设计有助于新型残差模型架构的发展。
引用
@article{arxiv.2402.11831,
title = {Rock Classification Based on Residual Networks},
author = {Sining Zhoubian and Yuyang Wang and Zhihuan Jiang},
journal= {arXiv preprint arXiv:2402.11831},
year = {2024}
}