基于迁移学习及通道先验注意力机制的地质构造识别

摘要

针对平面地质图件中地质构造背景复杂、符号表示多样化而导致识别效果不佳的问题，本文提出一种基于迁移学习和通道先验注意力机制的地质构造识别模型MsAttenEfficientNet。该模型以EfficientNet为主干网络架构，并使用通道先验注意力（channel prior convolution attention, CPCA）模块替换EfficientNet特征提取模块MBConv中的压缩和激励网络（squeeze-and-excitation net, SENet）,使模型能够动态地分配通道和空间注意力权重，更准确地捕捉到图像中的重要区域和空间结构；其次对顶层预测模块进行改进，引入Swish激活函数和Dropout层，加强模型的泛化性能；最后使用Adam优化算法提高网络的收敛速度，并利用迁移学习实现特征参数共享。通过在地质构造数据集GeoStr18上进行训练及测试，实验结果表明，MsAttenEfficientNet模型对地质构造的识别精准率为96.92%,召回率为96.89%,F₁分数为96.90%,优于ResNet50、ShuffleNetV2和DenseNet121等主流分类识别模型，可有效用于地质构造识别。

关键词

图像识别 / 地质构造 / EfficientNet网络 / 通道先验注意力 / 迁移学习