基于EMD距离度量的小样本矿物图像分类

摘要：

在复杂的地质勘探条件下准确完成矿物识别是一项重要的任务.基于数据驱动的深度学习模型能精确识别各类岩石矿物,但需要构建庞大且完备的数据集,在实际情况下难以应用.针对此问题,结合小样本学习、度量学习以及元学习训练策略,使用 EMD距离度量计算图像之间的结构距离,构建一种适应于小样本矿物的图像分类模型.核心思想在于利用图块级别度量并引入交叉参考权重机制,有效减少同类差异大和背景杂乱带来的影响,优于图与图判定分类的模型.在 mini-ImageNet数据集上,5-way 1-shot和 5-way 5-shot设置的分类准确率分别提高至55.91%、67.58%;将算法应用于小样本黏土矿物数据集上,5-way 5-shot 设置的分类准确率为 92.65%.实验结果表明,利用度量学习方法的分类精度高于其他小样本学习方法.

关键词：小样本学习、度量学习、EMD距离、特征增强、矿物识别

所属期刊栏目：55

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;东北石油大学引导性创新基金项目

在线出版日期：2023-09-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：63-70