基于EMD距离度量的小样本矿物图像分类.pdf

第 55 卷第 6 期郑 州 大 学 学 报(理 学 版)Vol.55 No.62023 年 11 月J.Zhengzhou Univ.(Nat.Sci.Ed.)Nov.2023收稿日期:2022-06-25基金项目:国家自然科学基金联合基金项目(U20A2093);东北石油大学引导性创新基金项目(2020YDL-04)。第一作者:杜睿山(1977),男,副教授,主要从事人工智能、机器学习研究,E-mail:ruishan_du 。基于 EMD 距离度量的小样本矿物图像分类杜睿山1,2,张轶楠1,孟令东2,张桐3(1.东北石油大学 计算机与信息技术学院黑龙江 大庆 163318;2.东北石油大学 油气藏及地下储库完整性评价黑龙江省重点实验室黑龙江 大庆 163318;3.大庆油田有限责任公司 勘探开发研究院黑龙江 大庆 163318)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;矿物识别中图分类号:TP391文献标志码:A文章编号:1671-6841(2023)06-0063-08DOI:10.13705/j.issn.1671-6841.2023176 Few-shot Mineral Image Classification Based on EMD Metric LearningDU Ruishan1,2,ZHANG Yinan1,MENG Lingdong2,ZHANG Tong3(1.Department of Computer and Information Technology,Northeast Petroleum University,Daqing 163318,China;2.Key Laboratory of Oil and Gas Reservoir and Underground Gas Storage Integrity Evaluation,Northeast Petroleum University,Daqing 163318,China;3.Exploration and Development Research Institute,PetroChina Daqing Oilfield Limited Company,Daqing 163318,China)Abstract:Mineral identification is an important task of geological survey,which could be a big challenge in complex geological conditions.Data-driven deep learning model could accurately identify all kinds of rocks and minerals,but large and complete datasets should be constructed,and it was difficult in practi-cal situations.Aiming at the problems,herein,an image classification model adapted to small sample minerals was proposed.It adopted the earth movers distance(EMD)as a metric to calculate the struc-tural distance between images,which combined the small sample learning,the metric learning and meta-learning training strategy.The core idea of the method was to use the measure of graph block level and introduce the cross-reference weight mechanism,which could effectively reduce the influence caused by the large difference of the same class and the clutter of the background,which was better than the model of graph to graph direct decision classification.The results of 5-way 1-shot and 5-way 5-shot classification experiment on mini-ImageNet showed that the classification accuracy of 5-way 1-shot and 5-way 5-shot settings was improved to 55.91%and 67.58%.When the algorithm was applied to a Few-shot clay min-eral data-set,the classification accuracy in 5-way 5-shot setting reached 92.65%.The experimental re-sults showed that the classification accuracy of metric learning method was higher than other few-shot 郑 州 大 学 学 报(理 学 版)第 55 卷methods.Key words:few-shot learning;metric-learning;earth movers distance;feature enhancement;mineral identification0引言黏土矿物是一种含水的硅酸盐或铝硅酸盐矿物,其颗粒结晶极细,小于 2 m,大小和形态需用扫描电子显微镜(scanning electron microscope,SEM)进行测定1。常见的黏土矿物大多分布在各种沉积物和沉积岩中,主要包括伊利石、蒙脱石、高岭石、绿泥石、伊利石/蒙脱石混层等2。通过分析沉积物以及土壤中黏土矿物的类型和含量可以分析出当时的气候特点3。黏土矿物的组合、成分、结构也为揭示古环境演化过程提供了信息4。在地球科学领域中,黏土矿物图像数据获取时间周期长,数据采集、处理和标注通常消耗大量的人力、物力,传统的黏土矿物图像分类也大都是以人眼观察和经验划分为主。因此,进行矿物智能分类是此领域热门研究问题。随着深度学习的飞速发展,利用深度学习进行矿物智能识别逐渐火热起来。Liu 等5运用深度卷积神经网络进行化石智能鉴定。Li 等6比较了五种机器分类算法和一种深度学习算法对扫描电镜-能量色散 X 射线光谱图像(SEM-EDS)像素级矿物分类 目 标 的 性 能。研 究 使 用 了 线 性 支 持 向 量 机(SVM)、K 最近邻(K-NN)和随机森林(RF)等五种模型,实验效果十分优异。但这些工作均需要庞大的数据样本量支撑,才能够训练出一个能较准确表达数据分布的预测模型。利用扫描电子显微镜获取黏土矿物图像,虽然可以直接观察到矿物表面的形貌,但由于成像为灰度图像、矿物类别繁杂、背景影响因素较大等问题,导致电镜图像质量不高,可用作类别判定的图像占所收集图像的百分之十不到。在该问题基础上,数据集样本较少,人工对于电镜图像的识别又存在一定偏差,导致每一类标签样本较少,难以使用基于数据驱动的深度学习方法。近年来,小样本学习应用于图像分类发展飞速,基于度量学习的小样本学习弱化了数据层面稀缺的问题,转而直接计算测试图像与训练图像的距离。但当存在背景杂乱、类间相似和类内差异较大等问题时,会导致在特征提取后生成的嵌入空间中同一类图像的计算距离较远,不可避免地影响图像分类准确度。已有的基于度量学习的小样本分类方法大多采用图与 图直接比较,如孪生 网 络7、原 型 网络8等,却忽略了局部特征的重要性。一张图片各个部分重要性有高有低,所以应构建更加灵活的度量学习算法。对于整体分类特征计算贡献较小,不相关的区域分配较小的权值,而包含图像特征较为丰富、具有高级语义的区域分配较大的权值,这样的计算方式才更符合实际情况。本文将小样本学习问题形式化为最优匹配问题,借助度量学习的思想选择 EMD 距离(earth mov-ers distance)度量函数,来计算测试图像之间的结构距离,最后进行分类预测。针对地层下采集的少量黏土矿物图像样本,构建一个能快速准确判定类别的分类器。1相关工作1.1小样本学习在图像分类领域,小样本学习大致可分为基于模型、度量和优化三大方向9。小样本学习模型和参数优化的方法源自元学习,但模型无关元学习10只是将模型的参数做随机初始化,简单地通过梯度下降法更新模型。根据不同的模型构建方式,小样本图像分类算法可分为基于卷积神经网络模型和图神经网络模型两大类11。随着图像分类网络的不断优化,基于度量学习的方法通常使用卷积神经网络来学习图像特征表示,用距离函数代替全连接层进行分类预测。通过神经网络层工作后生成嵌入空间,在该空间内如果特征向量所属类别一致,距离较近,反之则距离较远。通过计算样本特征向量的距离判别样本所属的类别。较为经典的网络有孪生网络、原型网络、关系网络12和匹配网络13等。孪生网络构建两个结构相同、参数共享的网络,网络输入为样本的任意两幅图像,并进行训练,通过比较距离来判定结果;原型网络通过生成一个嵌入空间,在这个空间内比较测试样本和训练样本各个类别的特征均值之间的欧氏距离,从而预测图像类别;关系网络由嵌入函数和关系函数组成,通过构建神经网络来计算两个样本之间的距离从而分析匹配程度。这些方法都是采用图与图直接衡量比较,将一幅图像直接压缩为一个高度抽象的特征向量,忽46第 6 期杜睿山,等:基于 EMD 距离度量的小样本矿物图像分类略了图像局部特征的重要性14-15。1.2度量学习度量学习16的目标是学习一个成对相似性度量,在该背景下,类似的样本对可获得更高的相似分数,反之则得到较低的相似分数。度量学习包括嵌入模块和度量模块。在深度学习中,通常采用欧氏距离、马氏距离和余弦相似度等17作为距离函数。度量学习运用到小样本学习方法中时,首先将样本集通过嵌入模块嵌入向量空间;然后根据度量模块给出相似度得分,并根据元学习算法思想,将在各种任务中学习到的相似性度量进行转移并推广至全新小样本学习任务中。采用度量学习策略的小样本学习方法主要有两种:一是采用固定的度量;二是采用可学习的度量18。2本文方法2.1黏土矿物的小样本分类2.1.1黏土矿物的分类本文选取高岭石、蒙脱石、石英、伊利石以及绿泥石五种黏土矿物进行分类任务。在扫描电镜下,蒙脱石可见片状晶体,多为细小鳞片状、纤维状;伊利石是由一些丝状边缘的片状、束状或发丝状、粗糙的晶体组成,常呈不规则的极细小鳞片状集合体,类似蒙脱石;高岭石为块状到局部蠕虫状的聚集物,晶层间连接紧密;绿泥石作为独立的形态晶体生长,是板状的;石英通常呈粒状、块状或晶簇、晶腺等。五种黏土矿物在扫描电镜下形态如图 1 所示。2.1.2小样本图像分类本文采用小样本学习方法,小样本分类任务定义如下。给定支持集(support set):类似训练集,包含 N 个分类标签,每个标签有K 张图片。查询集(query set):类似测试集,包含 Q张未分类图片。该任务是在已有支持集的基础上,达到对查询集中的图像准确分类的目的,将这样的任务称为 T:N-way K-shot 图像分类任务,小样本图像分类任务中 K 小于 10。2.1.3元学习训练Thrun 等指出,如果某算法的性能在一个待办任务中随着经验累积而逐步提升,那么称该算法正在学习;如果在一组待办任务中,算法的性能在每一项任务里都可以随着经验增加而提升时,那么认为该算法能够学会如何学习(learning to learn),将这样的算法称为元学习算法19。它利用多次学习不同任务积累的经验提升性能,而不仅仅只针对一个特殊任务。每多处理一个新任务它的经验越充足,也就是说当通过元学习算法处理任务图 1五种黏土矿物 SEM 图Figure 1SEM images of five clay mineralsT 时,需要在一组任务Ti中进行训练。元学习算法在尝试解决这些任务的过程中获得经验,从而最终解决任务 T。黏土矿物和岩石矿物是分割不开的,且其组成相辅相成,本文将多种岩石矿物图像数据也加入模型训练中,填补黏土矿物分类中不可或缺的信息,组成元学习训练作为本文训练方法。2.2EMD 距离学习在小样本学习任务中,基于度量学习的方法旨在找到一个好的特征嵌入空间和距离度量函数来表示、计算图形间的相似性,并进行分类预测。与之前提到的经典网络不同,本文方法将图形分成一个个图块,一张图像提取出一组特征向量,并使用两幅图像结构间的最优转换代价表示图像相似性。文献20证明了生成器的参数如果连续,那么EMD 距离度量作为损失函数也是连续的,比较适用于优化神经网络。考虑到这一点,本文选用 EMD 距离度量来计算图像相似性。EMD 是两组加权物体或分布之间的距离度量,最初是为图像检索而提出的。在给定所有元素对之间的距离的情况下,EMD可以获得成本最小的两种结构之间的最优匹配流。它也可以解释为用另一个结构表示重建一个结构表示的最小成本。假设一组供应商 S=sii=1,2,m,需要将货物运输到指定的一组目的地D=djj=1,2,n,其中:si表示第 i 个供应56郑 州 大 学 学 报(理 学 版)第 55 卷商;dj表示第 j 个目的地。从供应商到目的地的单位成本为 aij,运输的单位数量为 xij。目标为在供货商与目的地之间寻找一个耗费成本最少的货品流X=xiji=1,2,m,j=1,2,n。经过多次运输存储,得到工作量总和 W 的最小值,di、xj作为权重控制着货品流 X,所用公式为W=mi=1nj=1aijxij min,s.t.xij 0,(1 i m,1 j n),nj=1xij=di(1 i m),mi=1xij=xj(1 j n)。(1)2.3本文模型本文模型主要由特征提取模块和距离度量分类模块组成。前者学习、提取图像组特征向量;后者使用学习过的描述符计算距离度量判定类别。这两个模块集成到一个统一的网络中,并以端到端方式进行培训。2.3.1特征提取模块 该模块用于学习查询集和支持集的特征表示。可以使用任意标准卷积神经网络,但不包括全连接层,因为需要局部特征向量来进行距离度量的计算。由于深度神经网络(deep neu-ral network,DNN)往往使用少量样本会过拟合,小样本学习通常使用浅层神经网络(shallow neural net-work,SNN)21。为了便于与目前先进的小样本图像分类方法进行比较,本文采用了一种常用的四层卷积神经网络作为嵌入模块。它包含四个卷积块,每个卷积块由 33 卷积层、批处理归一化层、Leaky ReLU 层组成。除此之外对于后两个卷积块分别取消了 22 最大池化层,可以更好地聚焦局部特征信息。浅层卷积网络结构示意图如图 2 所示。图 2浅层卷积神经网络结构图Figure 2Structure of SNN部署网络模型生成图像嵌入空间 u RH W C,其中:H 和 W 表示特征图的空间大小;C 表示特征维数。每个图像包含一个局部特征向量集合 u1,u2,uHW,每个矢量被视为集合中的一个节点。因此,两幅图像的相似度可以表示为两组向量之间的最优匹配代价。2.3.2基于 EMD 距离度量分类模块经过特征提取模块后,两幅图像的相似度可以表示为两组向量之间的最优匹配代价。用公式(1)计算两个图像特征的嵌入节点 ui、vj的成对距离,得到单位成本dij=uTivjuivj。(2)其中具有相似表示的节点在彼此之间产生较少的匹配成本。获得最佳匹配流 X之后,可以计算图像表示之间的相似性得分,a(U,V)=HWi=1HWj=1(1-dij)xij,(3)从公式(1)可以看出,一个重要的问题参数是每个节点的权重,权重较大的节点在两个集合的比较中起着更重要的作用,而权重很小的节点无论与哪个节点匹配都很难影响整体距离。在采用 EMD进行基于颜色的图像检索22工作中,使用直方图作为基本特征并对所有像素进行特征聚类来生成节点,每个节点的权重设置为对应集群的大小。对于基于颜色的图像检索,应该给予具有更多像素主色较大的权重,这样检索的图像在视觉上可以接近查询图像。然而,对于小样本图像分类任务,用于分类的特征通常需要具有高级语义,像素的数量不一定反映其重要性。在黏土矿物分类数据集中,矿物繁杂背景或噪声经常掩盖需要判定的目标图像数据。本文采用文献23 的 EMD 度量学习方法(Deep-EMD),其引入了一种交叉参考权重机制,对于背景区域比目标区域大的图像数据,局部特征表示的重要性只通过分析单个图像很难来确定,对于小样本分类任务,节点特征的权重应该通过比较两边的节点来生成。利用一个节点特征与另一结构中平均节点特征之间的点积生成的相关性得分作为权重值,wi=uTiHWj=1vjHW,wi 0,(4)其中:ui和 vj分别表示两幅图像提取的特征向量。交叉参考权重机制的目的是在两幅图像中,对高方差背景区域给予较少的权重,而对两幅图像同时存在的目标区域给予更多的权重,这也可以减少在两个图像中没有出现的物体重要性,从而在一定程度上可以利用局部特征进行匹配。最后对所有权值进行归一化,使两边节点比较时有相同的权值,wi=wiHWHWj=1wj。(5)利用 EMD 距离度量进行分类,该模块的输入为卷积层生成的图片特征表示 u RC,在标准全连接66第 6 期杜睿山,等:基于 EMD 距离度量的小样本矿物图像分类层进行分类预测中,1,2,N RC N表示一组对应各个类别的可学习的参数向量 i RC。通过计算图片向量 u 和参数向量 i的点积从而计算分类预测的可能性,最后运用矩阵乘法并行计算所有类别的得分,部分研究工作中运用 cosine 函数替换全连接层的点积操作预测分类24。全连接层的学习过程可以被认为是为每一个类别寻找到一个原型向量,以便可以使用距离度量来对图像进行分类。该模块进行分类时,每个类的可学习嵌入变成一组向量,而不是一个向量,使用结构化距离函数EMD 直接对特征表示进行判定分类。在推理时,将训练好的卷积网络模型作为特征提取器,通过从支持集中采样数据,使用随机梯度下降法学习结构化全连接层的参数。基于 DeepEMD 的度量方法过程如图 3 所示,di和 xj为公式(1)中的权重。本文方法的具体算法步骤如下。图 3度量模块过程图Figure 3Measure module process diagram输入:用 SS、QS 分别表示支持集和查询集。图像分类任务 T=SS QS。输出:查询集分类预测结果。Step1采用特征提取网络获得特征,得到输入图像的特征图 u RH W C;Step2按照公式(2)计算节点之间的成对距离,从两个图像特征中获取单位成本;Step3根据公式(4)、(5)生成交叉参考权重并进行正则化处理;Step4获取最佳匹配流 X后,根据公式(3)计算图像表示之间的相似度得分 a;Step5通过改进的结构化全连接层输出目标的所属类信息。3实验3.1数据集构成和实验设置本文获取大庆油田地层黏土矿物样本后,使用扫描电镜(SEM)获得真实黏土矿物图像,并进行图像增强操作后构建 SEM 黏土矿物图像数据集,其中黏土矿物图像为人工筛选和标注的图像,包括高岭石、蒙脱石、伊利石、石英和绿泥石五个类别,每个类别划分之前分别有 150200 张图片,采用 84 pixel84 pixel 分辨率,图片为灰度图。也一并收集了大庆油田地层下五类 SEM 岩石矿物图像,操作与构建黏土矿物图像数据集操作一致。将上述两个数据集合并,构成包含地层各种矿物共 10 个类别的小样本黏土矿物数据集。本文还选取 mini-ImageNet 数据集25进行实验对比,该数据集最早在 2015 年提出,是小样本学习中广泛使用的基准数据集,它共包含 100 个类,每个类中包括 600 张图片。64 类用作元训练,16 类用于元验证,20 类用于元测试。评价标准选用准确率(Accuracy),公式为Accuracy=TP+TNtotal,(6)其中:TP 表示预测正确的匹配数目;TN 表示预测正确的非匹配数目;total 表示样本总数。实验采用 Pytorch 深度学习框架,在 GPU 平台上运行,处理器为 GPU NVIDIA GeForce GTX 1080,运行内 存 为 16 GB。训 练 和 测 试 阶 段 都 是 基 于N-way K-shot 的小样本学习方法进行,本文采用特征预训练步骤,利用元学习训练方法学习网络。对于K-shot 分类任务,利用每个类中所有支持集的平均特征去初始化分类器,随机抽取 15 张查询图片用于学习。所有实验均采用 Adam 优化算法对模型参数进行更新,初始学习率设置为 0.001。3.2Mini-ImageNet 数据集小样本分类为了评估本文分类模型在小样本图像分类上的性能,本文用基于优化的小样本学习方法(MAML、图神经网络)和基于度量学习的小样本学习方法(采用欧氏距离的原型网络、采用余弦距离的匹配网络、微调 FC 分类器)进行比较。这两类学习方法在分类任务中采用全局平均池化生成图像级向量表示,并使用不同的距离度量进行分类。本文对所有基线方法采用相同的主干和训练方案,实验结果如表 1 所示。在表 1 中,可 以 看 出 本 文 算 法 基 于 mini-ImageNet 数据集,在 5-way 1-shot 和 5-way 5-shot 设置中的准确率相比基于图像级向量表示的基线方法有所提升,这表明了局部特征对于基于度量学习方法的重要性。由表 1 可知,同时在训练集和测试集中采样数为 5 时,本文模型性能表现最优,可能更适合模型学习。因此在本文的后续实验中都采取每类76郑 州 大 学 学 报(理 学 版)第 55 卷表 1网络精度测试结果Table 1Network accuracy test results模型嵌入方式距离函数Accuracy/%1-shot5-shot原型网络图像级欧氏距离49.4267.21MAML46.7563.11匹配网络图像级余弦距离43.4460.69微调 FC图像级余弦距离52.4367.54图神经网络图像级非欧距离50.3366.41本文模型图块级EMD55.9167.58五个样本的方式。在小样本数据集中,相较于关系网络,本文模型的分类准确率显著提高。关键在于抽取的图块级特征信息比仅用简单线性连接的网络模型抽取的特征信息语义涵盖更多、表达能力更强。在样本稀缺的情况下减小了同类样本之间的距离,拉大了不同类样本之间的距离,从而有效提高本文模型应用于小样本学习任务的分类准确率。3.3SEM 小样本黏土矿物数据集图像分类对 SEM 数据集进行划分,按照 mini-ImageNet数据集的划分比例,十类中随机选择七类用作元训练,一类用于元验证,两类用于元测试。在深度学习中,标准分类模型使用测试集的两种类别就可以进行网络模型的训练,但由于数据集中标记样本较少导致无法正常学习,因此,本文进行元学习训练,在训练集中可获取到可迁移的元知识,从而在测试集中完成黏土矿物的判定分类。采用 5-way 5-shot 模式进行实验。本文提出的模型在 SEM 小样本黏土矿物数据集上的小样本分类性能如表 2 所示,并与主流的小样本分类方法准确率进行对比,为了公平比较,均采用相同的实验设置。实验结果如表 2 所示,由表 2可知模型在 5-shot 的情况下超越了其他四种方法。表 2模型实验结果Table 2Model test results模型类型Accuracy(5-shot)/%原型网络度量学习83.40MAML元学习73.65匹配网络度量学习82.33微调 FC度量学习85.91本文模型度量学习92.65为了进一步探究模型分类效果,对比其他小样本分类方法性能差异,本文使用混淆矩阵展示预测结果(如图 4),同时采用图像分类的精准率(P)、召回率(R)和 F1 score(F1)进行模型评价,公式为P=TPTP+FP,(7)R=TPTP+FN,(8)F1=2 P RP+R,(9)其中:TP 表示预测正确的匹配数目;FP 表示预测错误的匹配数目;FN 表示预测错误的非匹配数目。评价结果如表 3 和表 4 所示。图 4模型混淆矩阵Figure 4Model confusion matrix由图 4 可以看出,伊利石和蒙脱石识别准确率较低且易于混淆,可能是二者晶胞结构相同,同属于2 1 型铝硅酸盐矿物,在样本量偏少且矿物间结构相似度较高的情况下,模型不易区分。由表 3、表 4 可知,本文模型对于伊利石、蒙脱石这两类矿物预测效果较差,相对于其他 4 种小样本图像分类方法,本文模型分类效果最好。表 3本文模型评价结果Table 3Model evaluation results矿物类型PRF1伊利石0.800.840.82蒙脱石0.840.880.86绿泥石0.990.910.95石英0.940.990.96高岭石0.980.920.95均值0.910.910.91表 4小样本图像分类模型评价结果对比Table 4Comparison of model evaluation results模型PRF1原型网络0.530.520.53MAML0.680.650.58匹配网络0.850.850.79微调 FC0.910.880.85本文模型0.910.910.9186第 6 期杜睿山,等:基于 EMD 距离度量的小样本矿物图像分类4结论本文针对黏土矿物小样本分类的问题,提出基于 EMD 距离度量学习作为分类框架,将度量学习和元学习训练方法相结合,引入的交叉参考权重机制在度量计算中发挥了重要的作用,可以有效减少不相关区域造成的负面影响,由图像级度量分类转为更准确的图块级分类。在矿物小样本数据集上的实验结果表明,该方法的准确率高于目前几种主流的基于度量学习的小样本图像分类方法。下一步改进的重点是进行矿物数据集的增强补足,研究使用更加高效的度量学习网络结构,以达到更好的小样本矿物图像分类效果。参考文献:1洪汉烈.黏土矿物古气候意义研究的现状与展望J.地质科技情报,2010,29(1):1-8.HONG H L.A review on paleoclimate interpretation of clay mineralsJ.Geological science and technology in-formation,2010,29(1):1-8.2汤艳杰,贾建业,谢先德.黏土矿物的环境意义J.地学前缘,2002,9(2):337-344.TANG Y J,JIA J Y,XIE X D.Environment significance of clay minerals J.Earth science frontiers,2002,9(2):337-344.3SINGER A.The paleoclimatic interpretation of clay min-erals in sedimentsa reviewJ.Earth-science reviews,1984,21(4):251-293.4LIU Z F,COLIN C,TRENTESAUX A,et al.Erosional history of the eastern Tibetan Plateau since 190 kyr ago:clay mineralogical and geochemical investigations from the southwestern South China Sea J.Marine geology,2004,209(1/2/3/4):1-18.5LIU X K,SONG H J.Automatic identification of fossils and abiotic grains during carbonate microfacies analysis using deep convolutional neural networksJ.Sedimenta-ry geology,2020,410:105790.6LI C X,WANG D M,KONG L Y.Application of ma-chine learning techniques in mineral classification for scanning electron microscopy-energy dispersive X-ray spectroscopy(SEM-EDS)imagesJ.Journal of petrole-um science and engineering,2021,200:108178.7KOCH G R,ZEMEL R,SALAKHUTDI-NOV R.Siamese neural networks for one-shot image recognitionCPro-ceedings of the 32nd International Conference on Machine Learning.Piscataway:IEEE Press,2015:103-123.8SNELL J,SWERSKY K,ZEMEL R.Prototypical networks for few-shot learning C Proceeding of Advances in Neural Information Processing Systems.Barcelona:NIPS,2017:4077-4087.9WANG Y Q,YAO Q M,KWOK J T,et al.Generalizing from a few examples J.ACM computing surveys,2021,53(3):1-34.10 刘颖,雷研博,范九伦,等.基于小样本学习的图像分类技术综述J.自动化学报,2021,47(2):297-315.LIU Y,LEI Y B,FAN J L,et al.Survey on image clas-sification technology based on small sample learningJ.Acta automatica sinica,2021,47(2):297-315.11 FINN C,ABBEEL P,LEVINE S.Model-agnostic meta-learning for fast adaptation of deep networks CPro-ceedings of the 34th International Conference on Machine Learning.New York:ACM Press,2017:1126-1135.12 SUNG F,YANG Y X,ZHANG L,et al.Learning to compare:relation network for few-shot learning C Conference on Computer Vision and Pattern Recognition.Piscataway:IEEE Press:1199-1208.13 VINYALS O,BLUNDELL C,LILLICRAP T,et al.Matc-hing networks for one shot learning CProceeding of Advances in Neural Information Processing Systems.Bar-celona:NIPS,2016:3630-3638.14 陈珂,梁斌,左敬龙,等.一种用于中文微博情感分析的多粒度门控卷积神经网络 J.郑州大学学报(理学版),2020,52(3):21-26,33.CHEN K,LIANG B,ZUO J L,et al.Multiple grains-gated convolutional neural networks for Chinese microblog sentiment analysis J.Journal of Zhengzhou university(natural science edition),2020,52(3):21-26,33.15 王知人,谷昊晟,任福全,等.基于深度卷积残差学习的图像超分辨J.郑州大学学报(理学版),2020,52(3):42-48.WANG Z R,GU H S,REN F Q,et al.Residual learn-ing of deep CNN for image super-resolutionJ.Journal of Zhengzhou university(natural science edition),2020,52(3):42-48.16 YANG Q S,YAN P K,ZHANG Y B,et al.Low-dose CT image denoising using a generative adversarial network with Wasserstein distance and perceptual lossJ.IEEE transactions on medical imaging,2018,37(6):1348-1357.17 KULIS B.Metric learning:a survey J.Foundations and trends in machine learning,2013,5(4):287-364.18 祝钧桃,姚光乐,张葛祥,等.深度神经网络的小样本学习综述J.计算机工程与应用,2021,57(7):22-33.96郑 州 大 学 学 报(理 学 版)第 55 卷ZHU J T,YAO G L,ZHANG G X,et al.Survey of few shot learning of deep neural networkJ.Computer engi-neering and applications,2021,57(7):22-33.19 THRUN S,PRATT L.Learning to LearnM.Boston:Springer,1998.20 MARTIN A,SOUMITH C,LON B.Wasserstein genera-tive adversarial netWorks CInternational Conference on Machine Learning.