改進(jìn)ConvNeXt V2的巖石薄片巖性識別方法

關(guān)鍵詞：巖性識別，ConvNeXtV2，全局注意力機(jī)制，多尺度特征融合，Lion優(yōu)化器

0 引言

在油氣勘探領(lǐng)域，通過巖石微觀結(jié)構(gòu)可知油氣資源的賦存狀態(tài)。其中，巖性的分類和識別是關(guān)鍵。傳統(tǒng)的巖性識別方法主要是利用顯微鏡觀測巖石薄片以判斷巖石的結(jié)構(gòu)和成分，這需要耗費大量的時間和經(jīng)濟(jì)成本，并且結(jié)果具主觀性。利用計算機(jī)輔助技術(shù)提取巖石薄片圖像的特征可以減少對專業(yè)人員和儀器的依賴，提高工作效率，并可以發(fā)現(xiàn)隱含的地質(zhì)信息[1‐4]。

近年來，許多學(xué)者將機(jī)器學(xué)習(xí)方法用于巖石薄片巖性識別。程國建等[5]采用支持向量機(jī)（SupportVectorMachine，SVM）對巖石薄片樣本進(jìn)行了分類，準(zhǔn)確率較高，但在數(shù)據(jù)種類較多時效果不佳。Zheng等[6]提出了一種基于最小二乘支持向量機(jī)（LeastSquaresSupportVectorMachine，LSSVM）的巖體分類方法，提高了圍巖的分類精度。相較于傳統(tǒng)技術(shù)，機(jī)器學(xué)習(xí)方法的圖像分類效果有顯著提升，但仍存在不足之處，這主要表現(xiàn)為：需通過人工手段提取巖性特征，且網(wǎng)絡(luò)訓(xùn)練依賴大規(guī)模數(shù)據(jù)集；巖石種類繁多，收集大量巖石薄片圖像的過程不僅耗時而且成本高昂[7]。

現(xiàn)今，巖石薄片巖性識別方法進(jìn)一步發(fā)展，深度學(xué)習(xí)技術(shù)在該領(lǐng)域的應(yīng)用展現(xiàn)出優(yōu)越的性能。白林等[8]使用視覺幾何組網(wǎng)絡(luò)（VisualGeometryGroupNetwork，VGG）對常見巖石，如花崗巖、白云巖等的巖石薄片圖像進(jìn)行分類，準(zhǔn)確率達(dá)82%，但礦物組成相似的巖石薄片容易誤判。Fan等[9]基于ShuffleNet和MobileNet兩個輕量級卷積神經(jīng)網(wǎng)絡(luò)對28種巖石薄片圖像實現(xiàn)了識別和分類。Liu等[10]在更快區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（FasterRegionConvolutionalNeuralNetwork，F(xiàn)aster‐RCNN）目標(biāo)檢測架構(gòu)中對8類巖石薄片圖像的特征進(jìn)行提取與學(xué)習(xí)，成功實現(xiàn)了巖體智能化識別。熊越晗等[11]采用Inception‐V3卷積網(wǎng)絡(luò)構(gòu)建了一個深度學(xué)習(xí)模型，對泥巖、砂質(zhì)泥巖、泥質(zhì)砂巖和砂巖等四種巖樣的細(xì)觀圖像進(jìn)行了分類，但由于訓(xùn)練集樣本不足導(dǎo)致準(zhǔn)確率不高。Liu等[12]利用掩膜區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（MaskRegionbasedConvolutionalNeuralNetwork，MaskR‐CNN）模型識別巖石薄片圖像，但識別的巖石薄片圖像種類較少，模型運行速度慢。許振浩等[7]結(jié)合ResNet網(wǎng)絡(luò)構(gòu)建巖石圖像深度學(xué)習(xí)遷移模型，巖性識別準(zhǔn)確率最高達(dá)到90%以上，但仍存在部分巖石類別的分類誤差較為顯著。馬澤棟等[13]提出了一種多尺度巖性識別方法，但是不能合理結(jié)合多尺度模型與傳統(tǒng)識別模型，導(dǎo)致整體識別準(zhǔn)確率未能達(dá)到更高水平。

隨著視覺模型的不斷發(fā)展，Liu等[14]提出了純卷積神經(jīng)網(wǎng)絡(luò)ConvNeXt。在浮點運算次數(shù)（FloatingPointOperations，F(xiàn)LOPs）相同的情況下，ConvNeXt具有更快的計算速度和更高的準(zhǔn)確率，可在精度與運算量方面取得最好的平衡。并且，其擴(kuò)展性能與SwinTransformer相當(dāng)，但設(shè)計更加簡單。馬曉等[15]提出了一種改進(jìn)的ConvNeXt算法，提高了復(fù)雜背景下的玉米葉片病害分類精度。李恩澤等[16]在ConvNeXt的基礎(chǔ)上融合了非對稱多分支卷積模塊和特征注意力模塊，使奶牛的動作行為平均識別準(zhǔn)確率提升了8.63%。Woo等[17]在ConvNeXt網(wǎng)絡(luò)的基礎(chǔ)上提出了一個完全卷積掩碼自動編碼器框架和一個新的全局響應(yīng)歸一化層，形成了ConvNeXtV2。它顯著提高了傳統(tǒng)純卷積神經(jīng)網(wǎng)絡(luò)在各種視覺基準(zhǔn)上的性能，僅使用公共訓(xùn)練數(shù)據(jù)準(zhǔn)確率就可達(dá)88.9%。

ConvNeXtV2在圖像分類任務(wù)中性能強大，因此本文選取ConvNeXtV2作為基礎(chǔ)網(wǎng)絡(luò)，對6類巖石薄片圖像進(jìn)行巖性識別，并且進(jìn)行了三項關(guān)鍵改進(jìn)以進(jìn)一步提升模型識別效果：在模型中加入全局注意力機(jī)制，減少信息彌散和增強全局交互表示以提高性能；設(shè)計多尺度特征融合模塊代替下采樣層中的卷積層，使用多個不同尺度的卷積核，可從不同尺度中提取到更豐富和多樣化的特征；采用Lion優(yōu)化器[18]代替原本的AdamW優(yōu)化器[19]，提高模型訓(xùn)練的預(yù)測精度和收斂速度。最終，改進(jìn)后的模型在巖石薄片巖性識別任務(wù)中擁有更高的識別準(zhǔn)確率和更快的收斂速度。

1 方法原理

本文在ConvNeXtV2的基礎(chǔ)上嵌入了全局注意力機(jī)制，設(shè)計了多尺度特征融合模塊，并改進(jìn)了優(yōu)化器，以提高模型訓(xùn)練的預(yù)測精度和收斂速度。

1.1 ConvNeXtV2網(wǎng)絡(luò)

ConvNeXt[14]對不同規(guī)模模型和數(shù)據(jù)集變化具適應(yīng)性，其主要特點包括：調(diào)整原ResNet50網(wǎng)絡(luò)中各個階段（block）的堆疊次數(shù)，將（3，4，6，3）修改為（3，3，9，3）；使用深度可分離卷積替代傳統(tǒng)卷積操作；將原Stem模塊替換為4×4卷積核、步幅為4的卷積層；設(shè)計了反向瓶頸模塊替代傳統(tǒng)瓶頸模塊等。

ConvNeXtV2[17]在ConvNeXt架構(gòu)的基礎(chǔ)上，結(jié)合自監(jiān)督學(xué)習(xí)框架，設(shè)計了掩碼自編碼器，并提出了全局響應(yīng)歸一化層以增強通道間的特征競爭，解決潛在的特征崩潰問題。

ConvNeXtV2結(jié)構(gòu)如圖1所示，輸入的圖像首先經(jīng)過4×4卷積層并經(jīng)過層歸一化處理，隨后輸入到堆疊的模塊和下采樣層中，然后經(jīng)過全局平均池化層、層歸一化及全連接層，最終輸出分類結(jié)果。

1.2 全局注意力機(jī)制

近年來，為了提升計算機(jī)視覺任務(wù)的性能，發(fā)展了多種注意力機(jī)制。然而，由于信息減少和維度分離，這些機(jī)制在利用有限感受野進(jìn)行視覺表征時，往往忽略了全局空間與通道之間的相互作用。

全局注意力機(jī)制（GlobalAttentionMechanism，GAM）由通道注意力子模塊和空間注意力子模塊組成，如圖2所示。輸入特征圖通過通道注意力模塊，然后經(jīng)過空間注意力模塊，最終得到輸出特征圖。該機(jī)制通過跨越空間和通道維度，可以有效減少信息的彌散，同時增強全局維度之間的交互特征。

其中，通道注意力模塊結(jié)構(gòu)如圖3a所示。假設(shè)給定輸入特征圖F1，首先將特征矩陣由C×W×H轉(zhuǎn)置為W×H×C，輸入到一個兩層的多層感知機(jī)MLP中，對跨維的通道—空間依賴關(guān)系進(jìn)行放大。然后，將得到的特征矩陣轉(zhuǎn)置為C×H×W，經(jīng)過非線性激活函數(shù)Sigmoid激活得到最終的通道注意力映射Mc（F1）。F1經(jīng)過通道注意力加權(quán)得到特征圖F2，即

式中?表示元素間的乘法。

空間注意力模塊的結(jié)構(gòu)如圖3b所示，采用了兩個卷積層進(jìn)行空間信息的融合。同時，針對最大池化操作導(dǎo)致信息利用率下降的問題，去除了池化操作以更好地保留特征映射。輸入特征圖F2后，首先經(jīng)過一個7×7卷積層，由于空間注意力導(dǎo)致參數(shù)量的增加，使用縮減比對特征進(jìn)行降維處理，設(shè)置縮減因子值為4；降維后的特征再經(jīng)過一次7×7的卷積輸出原始通道數(shù)的特征，經(jīng)過Sigmoid激活函數(shù)處理后，得到空間注意力映射Ms（F2）。F2經(jīng)過空間注意力加權(quán)得到最后的輸出結(jié)果F3，即

本文將GAM模塊引入到ConvNeXtV2網(wǎng)絡(luò)（圖1）的第一個卷積層之后（圖4），注意力機(jī)制使得模型能夠根據(jù)輸入數(shù)據(jù)進(jìn)行動態(tài)加權(quán)，通過在最初階段加權(quán)輸入特征，模型能夠更有效地聚焦于有用的信息，從而提高后續(xù)層的學(xué)習(xí)效果。此外，由于GAM模塊跨越空間和通道維度的特性，使卷積網(wǎng)絡(luò)在低層次就能夠引入全局信息，這有助于提升對整個圖像上下文的理解，從而提升模型的性能。

1.3 多尺度特征融合

GoogLeNet神經(jīng)網(wǎng)絡(luò)模型[21]的核心組成部分是Inception模塊，其采用了模塊化設(shè)計，將多個卷積和池化操作組合為一個網(wǎng)絡(luò)模塊，并以模塊為單位構(gòu)建整個神經(jīng)網(wǎng)絡(luò)。

Inception模塊的結(jié)構(gòu)如圖5所示，包含四個分支，即1×1、3×3、5×5的卷積層和一個3×3的池化層。輸入特征圖并行經(jīng)過上述四個分支分別得到四個輸出，然后將這四個輸出拼接形成最終結(jié)果。但并行執(zhí)行不同尺度的卷積操作將會導(dǎo)致計算量和參數(shù)量的顯著增加。

ConvNeXtV2屬于視覺大模型，本身參數(shù)量較大，為了避免進(jìn)一步增加模型的復(fù)雜性，本文使用深度可分離卷積對Inception模塊進(jìn)行改進(jìn)。深度可分離卷積（圖6）的基本思想是將傳統(tǒng)卷積操作分解為深度卷積（DepthwiseConvolution，DW卷積）和點卷積（PointwiseConvolution，PW卷積）兩步進(jìn)行。在深度卷積階段，采用較小的卷積核對輸入的每個通道進(jìn)行獨立卷積，生成與輸入通道數(shù)（N）相同的輸出特征圖通道數(shù)。這種方式無法在通道維度上進(jìn)行特征圖數(shù)量的擴(kuò)展或壓縮，同時也不能有效挖掘不同通道特征在相同空間位置上的相關(guān)性。盡管這一設(shè)計有效減少了計算量，但導(dǎo)致了通道維度上的信息交互喪失。因此，需要引入點卷積以便更好地組合特征圖，從而增強通道間的信息交流。

點卷積是一種與傳統(tǒng)卷積操作相似的過程，其卷積核的尺寸為1×1×C，其中C代表上一層輸出特征圖的通道數(shù)。在逐點卷積中，每個卷積核對上一層輸出的特征圖在通道維度上進(jìn)行加權(quán)組合，從而生成新的特征圖。與常規(guī)卷積相比，采用深度可分離卷積能夠顯著減少模型的參數(shù)量，從而有效降低模型的復(fù)雜性。

本文將Inception模塊改進(jìn)為不帶殘差短接的線性瓶頸結(jié)構(gòu)，并簡化池化層，采用三條并行分支進(jìn)行特征提取。首先，所有分支通過逐點卷積進(jìn)行特征升維；然后，在第二和第三分支分別使用3×3和5×5的深度卷積提取各通道的特征；最后，通過逐點卷積進(jìn)行降維。這種設(shè)計在減少模型參數(shù)和計算量的同時，能夠有效保持較高的特征表達(dá)能力。將改進(jìn)后的瓶頸結(jié)構(gòu)命名為MFM（Multi‐scaleFeatureFusionModule），并在下采樣層中用MFM替代常規(guī)卷積，改進(jìn)后的結(jié)構(gòu)如圖7所示。

1.4 Lion優(yōu)化器

優(yōu)化器，即優(yōu)化算法，負(fù)責(zé)對梯度進(jìn)行優(yōu)化和更新，不僅能夠引導(dǎo)模型找到最優(yōu)解，還能顯著加速模型的收斂過程。本文使用Lion優(yōu)化器[18]替代了原模型使用的AdamW優(yōu)化器[19]。

與AdamW優(yōu)化器相比，Lion優(yōu)化器在參數(shù)緩存方面需求更低，從而有效節(jié)省顯存。此外，Lion優(yōu)化器省略了AdamW優(yōu)化器更新過程中計算量最大的除法和開根號運算，因此具備更快的運算速度。同時，Lion優(yōu)化器通過符號函數(shù)Sign處理更新量，特別是在動量更新方面，將其置于變量更新之后。

與其他優(yōu)化器相比，Lion優(yōu)化器通過高效的搜索技術(shù)探索廣泛稀疏的參數(shù)空間，并引入了程序選擇和簡化策略，從而縮小了代理模型與目標(biāo)任務(wù)之間的差距，同時提升了模型的泛化能力。與自適應(yīng)優(yōu)化器不同，Lion優(yōu)化器對每個參數(shù)采用相同幅度的更新，使其最終的表現(xiàn)和性能優(yōu)于主流的AdamW優(yōu)化器。

2 模型測試

2.1 數(shù)據(jù)集建立及實驗環(huán)境

巖石薄片顯微圖像中包含的礦物顆粒形態(tài)復(fù)雜，語義特征豐富多樣，目前尚無統(tǒng)一的標(biāo)準(zhǔn)數(shù)據(jù)集。本文所用的巖石薄片圖像數(shù)據(jù)來源于中國實物地質(zhì)資料網(wǎng)及網(wǎng)絡(luò)公開數(shù)據(jù)集，經(jīng)過篩選后構(gòu)建了實驗所用數(shù)據(jù)集。如圖8所示，選取花崗巖、石英砂巖、玄武巖、片巖、片麻巖和灰?guī)r等六種巖石薄片作為研究對象。該數(shù)據(jù)集包含3437幅圖像，其中花崗巖721幅，石英砂巖975幅，玄武巖456幅，片巖384幅，片麻巖400幅，灰?guī)r501幅。數(shù)據(jù)集按8：2隨機(jī)劃分為訓(xùn)練集和測試集，并采用剪裁、旋轉(zhuǎn)和中心化等方法進(jìn)行預(yù)處理。在模型訓(xùn)練過程中，學(xué)習(xí)率設(shè)置為0.0001，批大小設(shè)定為32，訓(xùn)練輪數(shù)（epoch）為200。

實驗設(shè)備配置CPU為6×XeonE5‐2680v4，GPU為NVIDIARTXA2000，操作系統(tǒng)為Ubuntu18.04。所使用的軟件包括VisualStudiocode1.78.0、Pytorch1.11.0、Python3.9。

2.2 評價指標(biāo)

為全面評估巖石薄片圖像分類模型的可靠性，本文選取了準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、特異度（Specificity）和F1值作為主要的模型評價指標(biāo)。

準(zhǔn)確率指分類正確的樣本占總樣本個數(shù)的比例，即

式中：TP為將正樣本正確地分類為正樣本的數(shù)量；TN為將負(fù)樣本正確地分類為負(fù)樣本的數(shù)量；FP為將負(fù)樣本錯誤地分類為正樣本的數(shù)量；FN為將正樣本錯誤地分類為負(fù)樣本的數(shù)量。

精確率指在識別為正類的樣本中，實際上屬于正類的樣本所占的比例，即

2.3 消融實驗

為驗證本文提出的各項改進(jìn)措施對模型性能的提升效果，分別對嵌入注意力機(jī)制、引入多尺度特征融合結(jié)構(gòu)及改進(jìn)優(yōu)化器進(jìn)行了消融實驗。每次實驗的評價指標(biāo)數(shù)據(jù)均被記錄，并繪制了改進(jìn)前、后的混淆矩陣（圖9）?；煜仃囂峁┝四Ｐ头诸愡^程中的直觀表現(xiàn)，顯示了模型在分類時可能產(chǎn)生的混淆情況。矩陣中每列的數(shù)字之和代表測試集中對應(yīng)類別巖石薄片的總數(shù)量，主對角線上的值表示正確分類為正類的巖石薄片數(shù)量，而非對角線的值則表示錯誤分類為其他類別的巖石薄片數(shù)量。主對角線方塊顏色越深且數(shù)值越大，表明模型的分類效果越好。由圖9可見，每項改進(jìn)對模型的識別性能均產(chǎn)生了積極影響。以花崗巖分類為例，原始模型Conv‐NeXtV2能夠正確分類84幅花崗巖圖像（圖9a）。引入GAM后，模型正確識別的花崗巖圖像數(shù)量增加至86幅（圖9b）。在進(jìn)一步加入GAM與多尺度融合模塊MFM之后，模型正確分類的花崗巖圖像數(shù)量提升至88幅（圖9c）。最終，經(jīng)過所有改進(jìn)后，模型正確識別的花崗巖圖像達(dá)到了90幅（圖9d）。此外，改進(jìn)后的模型在總體正確分類圖像數(shù)上也達(dá)到了最高值。據(jù)此表明本文改進(jìn)的模型在巖石薄片的分類準(zhǔn)確性方面表現(xiàn)最佳。

消融實驗結(jié)果如表1所示。在模型的第一個卷積層后嵌入GAM全局注意力機(jī)制，可使模型跨越空間和通道維度更有效地提取特征，從而使模型的識別準(zhǔn)確率提升了0.5%。此外，將ConvNeXtV2中的下采樣層的卷積替換為改進(jìn)的多尺度特征融合模塊，使網(wǎng)絡(luò)能更好地適應(yīng)不同尺度的信息，導(dǎo)致模型準(zhǔn)確率提升了1.1%。同時，由于采用了深度可分離卷積，模型的參數(shù)量減少了1.3M。最后，使用Lion優(yōu)化器替代原有的AdamW優(yōu)化器，進(jìn)一步提升了模型的準(zhǔn)確率，增幅為1.3%。然而，僅憑準(zhǔn)確率不足以全面評估模型的性能，因此本文還計算了模型的精確率、召回率、特異度及F1值。

最終，在巖石薄片巖性識別應(yīng)用中，經(jīng)過嵌入注意力機(jī)制、引入多尺度特征融合模塊及改進(jìn)優(yōu)化器后，本文所提改進(jìn)算法相較于原模型，準(zhǔn)確率提升了2.9%，達(dá)到了96.1%；F1值提高了2.9%，均表明了該模型在綜合性能方面優(yōu)于改進(jìn)前。

改進(jìn)后模型對各類巖石薄片的識別效果如表2所示。結(jié)合表2與圖9d可知，模型在改進(jìn)后表現(xiàn)出優(yōu)異的分類性能，能夠準(zhǔn)確預(yù)測80幅石英砂巖、200幅片麻巖及80幅玄武巖圖像，召回率達(dá)到了100%。這主要是因為三者在顯微鏡下具有明顯特征，即石英砂巖包含均勻分布的大量石英顆粒，通常呈現(xiàn)透明或半透明的外觀，且含有少量黏土等結(jié)合物；片麻巖的主要成分為長石，并含有云母等礦物，具有顯著的片麻狀結(jié)構(gòu)；玄武巖中常見的礦物為斜長石和輝石，輝石通常呈棕色或黑色。此外，花崗巖的誤識別率相對較高，召回率最低，為89.1%。在101幅花崗巖圖像中，有8幅被誤分類為片巖，原因在于在光學(xué)顯微鏡下，花崗巖薄片與片巖薄片在某些特征上較為相似，例如片巖中的云母片與花崗巖中的石英或長石顆粒在薄片上呈現(xiàn)相似的形態(tài)，這導(dǎo)致模型在識別時出現(xiàn)一定程度的混淆。但模型對各類巖石分類的特異度均在95%以上，表明其能夠有效識別負(fù)類樣本，這進(jìn)一步證明了本文提出的模型在巖性識別方面的準(zhǔn)確性與可靠性均較高。

為直觀地評估各項改進(jìn)對模型收斂速度的影響，本文在每次改進(jìn)后記錄了模型在測試集上的準(zhǔn)確率與損失值，以實時監(jiān)控模型訓(xùn)練過程，確保每個模型均在收斂狀態(tài)下完成訓(xùn)練。由圖10可見，最終改進(jìn)的模型在準(zhǔn)確率方面達(dá)到了最高值，損失值最低，并且收斂速度顯著提升。

2.4 模型對比

為驗證本文模型的有效性，選擇了主流的ResNet50、ResNet101、VGG16和GoogleNet作為對比模型，并在本文研究的巖石薄片數(shù)據(jù)集上進(jìn)行訓(xùn)練。同樣計算了準(zhǔn)確率、精確率、召回率、特異度和F1值，結(jié)果如表3所示。

從表3可以看出，ConvNeXtV2在巖石薄片巖性識別任務(wù)中表現(xiàn)出色，分類效果優(yōu)于ResNet50、ResNet101和VGG16，并略優(yōu)于GoogleNet，驗證了ConvNeXtV2網(wǎng)絡(luò)的優(yōu)勢。本文改進(jìn)了Conv‐NeXtV2網(wǎng)絡(luò)，與原網(wǎng)絡(luò)相比，準(zhǔn)確率、精確率、召回率、特異度和F1值分別提升了2.9%、3%、0.5%、2.9%，證明了本文方法在性能上有顯著提升。

3 實際資料應(yīng)用

為了更直觀地評估本文模型在巖石薄片圖像巖性識別中的實際應(yīng)用效果，本文從6類巖石薄片圖像中各隨機(jī)選取一幅圖像，采用Grad‐CAM方法[20]對改進(jìn)模型與原始模型進(jìn)行巖性識別的可視化對比分析（圖11）。該方法能夠更清晰地呈現(xiàn)模型識別過程中的關(guān)注區(qū)域，從而有助于更深入地理解模型的決策機(jī)制。生成的熱力圖顏色越接近紅色，表示模型越關(guān)注該區(qū)域；顏色接近藍(lán)色則表示模型關(guān)注度較低。以石英砂巖圖像為例，由圖11b可見，相較于ConvNeXtV2，改進(jìn)的本文模型生成的熱力圖覆蓋面積更大，且顏色更深。這表明改進(jìn)后的模型能夠提取更廣泛的特征，并且在識別巖石薄片的紋理和內(nèi)部礦物特征時表現(xiàn)出更高的敏感度。因此，本文所提出的模型在巖石薄片巖性識別任務(wù)中性能更優(yōu)異。

4 結(jié)論

本文以ConvNeXtV2作為基礎(chǔ)模型進(jìn)行改進(jìn)，首先，嵌入全局注意力機(jī)制，以便模型能夠跨越空間和通道維度，有效提取圖像中的重要特征；其次，加入改進(jìn)的多尺度特征融合模塊，旨在捕獲并融合來自多個尺度的信息；最后，采用Lion優(yōu)化器提升模型的泛化能力并加快訓(xùn)練過程。通過上述改進(jìn)，模型在巖性識別任務(wù)中表現(xiàn)出更優(yōu)異的性能，在處理輸入圖像時能夠從多個尺度提取更加豐富的特征，識別精度得到了提升，同時模型收斂速度更快。實驗結(jié)果驗證了改進(jìn)模型在巖石薄片識別中的有效性。

本文主要聚焦于提升模型的分類準(zhǔn)確率，對于模型的體積和復(fù)雜度優(yōu)化探討較少?？紤]到實際應(yīng)用場景和需求，未來研究需要探索模型剪枝、知識蒸餾等方法以進(jìn)一步壓縮模型體積，從而提高其在巖石薄片巖性識別任務(wù)中的實用性。