原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
总第425期计算机与数字工程Vol.53No.3
ComputerDigitalEngineering
2025年第3期计算机与数字工程697
2025年第3期
融合SE-Net的岩石图像分类迁移模型∗
112
王志威谭美淋高贤君
（1.内蒙古自治区测绘地理信息中心呼和浩特010050）（2.长江大学地球科学学院武汉430100）
摘要随着深度学习技术的不断发展，卷积神经网络为岩石图像分类提供了新的解决方案。然而不同岩石图像之间
特征区分性弱导致模型的分类精度和速度无法满足实际应用需求，因此提出融合SE-Net（Squeeze-and-ExcitationNetworks）
的岩石图像分类迁移模型。该模型基于VGG（OxfordVisualGeometryGroup）卷积神经网络模型，并在其全连接层之前嵌入
SE-Net，重点关注岩石图像中区分性强的特征区域；然后，通过在ImageNet数据集的网络结构参数基础上进行迁移学习，构
建融入注意力机制的深度学习迁移模型，使之能够更快、更准地捕捉岩石多层次特征，从而实现对岩石图像进行快速准确分
类，大幅度提高岩石图像分类精度与效率。利用所采集的七类岩石图像对该网络模型进行测试，测试结果显示准确率达到
94.12%；与已有网络VGG16、ResNet50及其迁移模型相比较，训练损失、验证损失和模型参数量都有明显降低。实验表明，
所提出的网络模型能够在保证模型参数量较小以及对实验机器配置的要求较低的前提下有效地提高岩石图像分类精度。
关键词卷积神经网络；图像增强；深度学习；迁移学习；注意力机制；岩石图像分类
中图分类号TP181DOI：10.3969/j.issn.1672-9722.2025.03.015
AClassificationMigrationModelofRockImagesFusingSE-Net
112
WANGZhiweiTANMeilinGAOXianjun
（1.InnerMongoliaAutonomousRegionSurveyingandMappingGeographicInformationCenter，Hohhot010050）
（2.SchoolofGeoscience，YangtzeUniversity，Wuhan430100）
AbstractWiththecontinuousdevelopmentofdeeplearningtechnology，convolutionalneuralnetworksprovidenewsolutions
forrockimageclassification.However，theweakfeaturediscriminationbetweendifferentrockimagesresultsinthemodelsclassifi⁃
cationaccuracyandspeedcannotmeettheneedsofpracticalapplications，soarockimageclassificationmigrationmodelfusedwith
SE-Net（Squeeze-and-ExcitationNetworks）isproposed.ThemodelisbasedontheVGG（OxfordVisualGeometryGroup）convo⁃
lutionalneuralnetworkmodel，andembeddedSE-Netbeforeitsfullyconne
文档评论（0）