.png){kind=icon}
返回
Comparison of model initialization methods in machine learning for thin-section rock image classification
.png){kind=icon}
OA
AI
DOI：10.1007/s10596-025-10385-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
显微岩石图像分析有助于岩土工程和地质学研究，通常采用计算方法。图像数据的日益可用性促使图像分析中的自动化得到广泛应用。然而，缺乏大型、公开可用的数据集阻碍了专门用于地质应用的机器学习模型的发展。本研究探讨了利用迁移学习技术克服这一限制，通过利用预训练的机器学习模型对薄片图像进行岩石类型分类。研究比较了从零开始训练的模型与利用预训练架构的模型，以评估在非地质数据上训练的模型能否有效支持岩石分类。实验使用包含11901张代表40种岩石类型的显微图像的数据集进行。研究评估了不同的模型初始化方法，以评估其在地质应用中的性能。结果表明，与从零开始训练的模型相比，迁移学习提高了分类精度，展示了其在地球科学研究中的潜力。本研究为机器学习在岩石分类中的实际应用提供了见解，并为岩土工程和地质学领域的专家提供了参考和综述，以帮助他们将人工智能整合到自己的研究中。
Keyword:
Rock classification
Microscopic rock images
Deep learning
Transfer learning
CNN
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
2
论文数:
49
被引数:
0
机构
引用论文
分享收藏Evaluation of Local Matching Methods in Image Analysis for Mineral Grain Tracking in Microscope Images of Rock Sections.png)
MineralsOAAI
MineralsIF0
OAAI分享收藏
查看更多内容