CN119445544A 一种基于注意力引导和多特征融合的岩石图像分类方法 （中冶武勘工程技术有限公司）

一种基于注意力引导和多特征融合的岩石本发明提供一种基于注意力引导和多特征数据集分为训练集和测试集；(2)构建残差神经网络ResNet_50，将准备好的训练集输入到网络阶段特征输入至空间_通道注意力模块，输出空间特征和通道特征(4)将和到训练好的岩石图像分类模型；(6)利用所述岩2(1)构建岩石数据集，对数据集进行数据增强操作，然后将数据集分为训练集和测试(4)将具有空间和通道显著性的特征和输入到多特征融合预测模块进行分类，(5)利用测试集进行验证，使用交叉熵损失函数来度量模型预测标签与实际真实标签2.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其3.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其4.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其5.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其6.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其首先利用沿通道维度的全局最大值和全局平均的通道注意力矩阵chaei"s",37.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其首先将具有空间和通道显著性的特征和分别送入ResNet_50的第四阶段进一步征接着利用全局平均池化和全连接层获取和的特征向8.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其9.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，所述步骤(5)中评估岩石分类的准确性的指标包括精准率P、召回率R和F1_4员的经验和精密仪器的准确性，他们使用专门设备从岩石图像中提取有价值的信息特征，[0004]本发明提供的技术方案：一种基于注意力引导和多特征融合的岩石图像分类方[0008](4)将具有空间和通道显著性的特征和输入到多特征融合预测模块进行[0009](5)利用测试集进行验证，使用交叉熵损失函数来度量模型预测标签与实际真实5[0019]然后沿空间维度的全局最大值和全局平均池化，结合多层感知器和Sigmoid函数获取F3的通道注意力矩阵chaeit,G和通道特征[0025]首先将具有空间和通道显著性的特征和分别送入ResNet_50的第四阶段后的特征接着利用全局平均池化和全连接层获取和的6[0033]本发明首先利用数据增强技术预处理原始图像，随后通过ResNet_50网络提取特类的精确划分。在公开数据集上进行实验验证，本发明的方法分类精度较高，精准率为[0040]参照图1所示，本发明提出一种基于注意力引导和多特征融合的岩石图像分类方行网络训练之前，我们采取了一系列传统的几何变换方法对训练集进行了数据增强处理。[0046]S4、构建以残差神经网络ResNet_50为主干的网络结构，提取第三阶段特征[0047]深度卷积神经网络在图像分类、目标检测及语义分割等多个领域取得了显著成7了捕捉岩石图像中更丰富的特征并保持其有效性，本研究选用了ResNet_50作为网络架构[0050]如图3所示，在空间_通道注意力模块中，给定ResNet_50输出的第三阶段特征Fei"",器和Sigmoid函数获取其通道注意力矩阵ciaei"",具8[0058]S6、将具有空间和通道显著性的特征和送入提出的多特征融合预测模块出融合后的特征接着，我们利用全局平均池化(GAP)和全连接层[0065]为了评估本发明公开的岩石分类方法的准确性，本发明结合以下指标：精准率[0069]为进一步直观展现本发明公开的方法的有效性，表1展示了与几种经典深度学习9