基于迁移学习的岩屑岩性识别.pdf

第 40 卷第 6 期2023 年 11 月中 国 科 学 院 大 学 学 报Journal of University of Chinese Academy of SciencesVol.40NovemberNo.62023 国家重点研发计划重点专项(2020YFA0713400)、国家杰出青年科学基金(41725017)和国家重大科技基础设施项目资助 通信作者,E-mail:hzhang 文章编号:2095-6134(2023)06-0743-08基于迁移学习的岩屑岩性识别 董文豪,张怀(中国科学院大学地球与行星科学学院 中国科学院计算地球动力学重点实验室,北京 100049)(2022 年 1 月 21 日收稿;2022 年 3 月 31 日收修改稿)Dong W H,Zhang H.Lithology recognition of cuttings based on transfer learningJ.Journal of University of Chinese Academy of Sciences,2023,40(6):743-750.DOI:10.7523/j.ucas.2022.026.摘 要 岩屑录井在地质构造研究及油气勘探等领域中有重要作用。随着录井技术提升,岩屑录井图片数量剧增,传统人工识别岩屑已远不能满足实际工作需求。基于迁移学习的卷积神经网络在图片分类识别中以高效著称。以常见的 18 种岩屑为研究对象,基于在 ImageNet图像数据集上训练好的 VGG-16 模型建立符合岩屑图片数据集特征的迁移学习模型,并应用到实际的岩性识别中。选用 5 877 张岩屑录井图片,以 3 1 1的比例随机划分训练集、验证集和测试集,其岩性识别准确率分别达到 99.7%、87.2%和 87.3%。测试学习结果表明该方法比卷积神经网络模型在岩性分类识别中具有更高的准确率。关键词 岩性识别;卷积神经网络;迁移学习;VGG-16 中图分类号:P588 文献标志码:A DOI:10.7523/j.ucas.2022.026Lithology recognition of cuttings based on transfer learning DONG Wenhao,ZHANG Huai(CAS Key Laboratory of Computational Geodynamics,College of Earth and Planetary Sciences,University of Chinese Academy of Sciences,Beijing 100049,China)Abstract Cutting logging plays an important role in the fields of geological structure research and oil and gas exploration.With the improvement of logging technology,the number of cutting logging pictures has increased sharply,and traditional manual identification of cuttings is far from meeting actual work requirements.Convolutional neural networks based on transfer learning are known for their high efficiency in image classification and recognition.This paper focuses on 18 common kinds of cuttings as the research object.Based on the VGG-16 model trained on the ImageNet image data set,a migration learning model conforming to the characteristics of the cuttings image data set is established and applied to the actual lithology recognition.This paper selects 5 877 cutting logging pictures,and the training set,validation set,and test set were randomly divided in the ratio of 311.The lithology recognition accuracies of the training set,validation set,and test set reach 98.6%,87.2%,and 87.2%,respectively.The test results on learning show that this method is very effective in lithology classification and recognition.中国科学院大学学报第 40 卷Keywords lithology recognition;convolution neural network;transfer learning;VGG-16 岩屑录井技术主要是指在钻井过程中,岩石碎片随钻井液返回地面,地面工作人员按照时间顺序、取样间距将返出井口的岩屑收集并进行分析;对岩屑的岩性识别,在地质构造及油气勘探等领域的研究中有重要作用1-2。工作人员主要是基于岩屑的颜色特征、纹理特征及颗粒大小等对岩屑进行分类3-5,一般是通过人眼识别,费时费力,同时存在识别准确率不足、分类结果受主观因素影响等问题;而实际中要求工作人员能够快速准确地进行分类识别,这对工作人员提出了较高的技术要求,工作强度也非常大。如何开发一种快速准确的对岩屑岩性自动分类识别的方法成为一个急需解决的问题。近年来,机器学习在图像识别中取得良好表现6-7,研究人员尝试将其应用于岩屑图像的分类识别中并取得了较好的分类识别效果。万红吉等8基于模糊 C 均值聚类算法对泥岩、砂岩、页岩3 类岩屑进行分类识别,识别精度达90%以上;陈超和李文藻9基于随机森林与颜色特征算法对泥岩和砂岩进行识别分类,识别精度达 85%以上。但是这些机器学习算法结构简单,在分类识别复杂的岩屑图片时表现不佳。深度学习算法在图像识别中的优异表现10-15为复杂的岩屑识别提供了一种解决方法。深度学习模型就是有很多层的神经网络模型16。万川等17基于改进 P-Unet 模型对岩屑颗粒进行识别;熊越晗等18基于岩样细观图像深度学习对岩性自动分类,训练集和验证集的分类准确率分别达到 92.77%和 76.31%。深度学习需要足够多的数据集学习以避免出现过拟合,但在实际应用中,研究者大多情况下获得特定问题的数据集是非常有限的,这严重影响了深度学习模型的构建19。为解决数据集不足时产生的深度学习模型构建困难问题,人们建立了一些开放的大数据集,如ImageNet20。ImageNet 包含 1 000 多种类别,图片量达 1 200 万张。利用这些数据集,人们获得了一些深度学习参考模型,如 Inception、VGG-16、VGG-19、ResNet 模型等21-22。实际工作中数据集不足情况下,人们借助这些模型,提出迁移学习23-24。通过与 Inception、ResNet 等模型实验对比,结果表明 VGG-16 模型在图像识别中识别准确率更高,因此本文选用 VGG-16 模型25。VGG-16 模型相较于 VGG-19 模型层数更少,计算效率更高,稳健性略好26。实际应用中,借用前人在ImageNet 上训练好的深度学习模型如 VGG-16 模型作为中间层,学习岩屑图片分类时仅更新输出层中全连接层部分的参数27。Liu 等28开发了一种结合深度学习模型和聚类算法的增强型岩石矿物识别方法,对 12 种岩石矿物进行识别分类,模型的 top-1 和 top-3 准确率分别达 74.2%和99.0%;许振浩等29基于岩石图像迁移学习对岩石的岩性进行识别,训练集准确率达 90%以上;刘晨等30基于 ResNet50 建立迁移学习模型对7 种岩屑进行岩性识别分类;范思萌等31开发了基于 SVM-FTVGG16 的岩屑检测方法来识别岩屑,准确率达到 85.7%。本文针对所采集的 18 种岩屑图像样本集,建立了基于在 ImageNet 图像数据集上训练好的VGG-16 模型的岩屑图片迁移学习模型,通过提取岩屑特征对岩屑进行岩性识别分类。1 深度学习方法概要1.1 卷积神经网络神经网络模型模仿人脑神经元的工作流程32。神经元接受到来自上一层神经元的输入信号,再向下一层输出。神经网络模型通常由输入层、(多个)中间层和输出层组成。神经网络模型的层是全连接层,每一个神经元都与上一层的所有神经元相连,用来综合前面提取到的所有特征。最简单的神经网络模型数学公式33可以表示为y=f(ni=1wixi+b),(1)其中,xi表示输入信号,wi表示与输入信号 xi连接的权重值,b 表示神经元的偏置,y 表示神经元的输出,f 表示激活函数。本文使用如下 ReLU 激活函数34f(x)=0,if x 0,x,if x 0.(2)卷积神经网络(convolutional neural network,CNN)将简单的神经网络中间层扩充为卷积层和池化层。卷积层(convolutional layer)用本层的卷447第 6 期董文豪,张怀:基于迁移学习的岩屑岩性识别积核与上一层的输出信号进行卷积运算18,然后再通过激活函数传递给下一层。卷积层的计算公式16为xt=f(Wxt-1+bt),(3)其中,t 表示层数,xt表示第 t 层的输出信号,W 表示卷积核,bt表示第 t 层偏置。池化层(pooling layer)也称为下采样层,用于压缩数据,在保留有用特征信息的基础上减少数据的处理量35。本文采用最大池化层方法,给出相邻矩形区域内的最大值并向下一层输出。神经网络的学习目标是获得使损失函数尽可能小的参数,本文采用交叉熵损失函数作为损失函数,其计算公式36为L=-ktklnyk,(4)其中,yk是神经网络的输出,tk是正确解标签。计算损失函数关于各个权重参数的梯度,将权重参数沿梯度方向作更新,重复这个过程最终得到最优参数。CNN 具有稀疏权重、参数共享等优点12;其卷积核的大小远小于本层输入信号的大小,同时卷积核的参数可以作用于本层输入信号的多个位置上,从而可以极大地减小模型参数量,提高计算效率。CNN 模型本身需要足够多的数据集等进行训练学习,而当数据集不充分,模型会出现过拟合现象。现实工作中,很多问题不具备数据集充分的条件,于是人们基于在大数据集上训练得到的深度学习模型建立了迁移学习模型。1.2 迁移学习模型 在迁移学习中,训练数据和测试数据不需要服从独立同分布,不需要非常多的训练样本就可学习得到一个好的分类识别模型37。同时由于迁移学习利用前人的数据集,因而模型构建中不需要从头开始训练新的数据集,显著降低了深度学习模型在目标域内对训练样本量的需求,也就降低了计算成本38。VGG-16 模型39是牛津大学视觉几何小组(Visual Geometry Group)基于包含来自 1 000 多个类别约 120 万张图像的 ImageNet 图像数据集学习得到的。该模型由 13 个卷积层、5 个池化层和 3 个全连接层构成,模型结构如图 1 所示。本文将 VGG-16 模型的卷积层和池化层迁移到本文构建的迁移学习模型中,并重新构建了新的全连接层代替 VGG-16 模型的全连接层。如图 2 所示。将岩屑录井图片输入到模型中,经过卷积层和池化层提取特征后,进入输出层,最后得到岩屑类型的概率分布,概率最大的类别即模型识别的岩屑类别。模型学习过程中中间层的参数被冻结不再更新,只更新输出层的全连接层参数。本文在迁移学习模型的输出层输出前添加了 1 个 Dropout 层16以减少过拟合对模型学习的影响。图 1 VGG-16 模型结构Fig.1 The structure of VGG-16 model2 实验设计2.1 数据来源 本文收集了盘锦中录油气技术服务有限公司提供的岩屑录井的 18 种岩屑。将原岩屑照片裁剪并缩小为 200 像素 200 像素,最终整理出5 877 张岩屑图片,并将其按 3 1 1的比例划分为训练集、验证集和测试集。为确保准确性并更具说服力,训练图像和测试图像是从岩屑图像数据集中随机选取的。相关岩屑种类-数量分布如表 1 所示,岩屑图片示例如图 3 所示。547中国科学院大学学报第 40 卷图 2 迁移学习模型构建Fig.2 The construction of transfer learning model表 1 岩屑图片分类及数量Table 1 Classification and quantity of cuttings pictures棕红色泥岩深灰色泥岩紫红色泥岩灰黑色泥岩深灰色粉砂质泥岩黑色碳质泥岩灰黑色碳质泥岩浅灰色细砂岩浅红色细砂岩训练集5422226441614110813539943验证集18738813846364513314测试集18748913947364513415灰白色细砂岩灰色油迹细砂岩灰褐色油斑细砂岩褐灰色油斑细砂岩深灰色泥质粉砂岩灰色泥质粉砂岩浅灰色油迹细砂岩灰白色中砂岩黑色煤训练集485421627016216318502102验证集1618729057210616734测试集17187290672107168352.2 岩屑识别模型构建 在 Windows10、64 位系统下,CPU 为 Intel(R)Core(TM)i7-8700,基于 Tensorflow2.5.0 构建了CNN 和迁移学习模型,并用于对岩屑岩性分类识别。2.2.1 CNN 模型 本文应用的 CNN 模型有 5 个卷积层,5 个池化层。由于处理的是二维的图像数据,输入信号形状为(200,200,3),即每个分量有 200200=40 000 个采样点,3 个通道。第 1 层卷积层采用32 个卷积核,每个卷积核过滤器尺寸为(3,3),输出形状变为(200,200,32),卷积层的激活函数使用 ReLU 函数;最大池化层的尺寸为(2,2),经过下采样,输出大小变为(100,100,32);经过3 个卷积层和池化层后的输出为(6,6,512),再经过 Flatten 层将矩阵平铺成向量形式,则输出向量大小为 66256=18 432。之后又连接了 2 个全连接层,全连接层中插入1 个 Dropout 层来降低过拟合造成的影响。第 1 个全连接层输出个数为512,最后 1 个全连接层输出个数为 18,采用Softmax 函数计算输出事件类别的概率分布。Softmax 函数又称归一化函数,将多分类的结果以概率的形式输出,因此预测结果转化为非负数,并且预测结果之和为 1。Softmax 函数数学表达式40如下f(xj)=exjni=1exi,j=1,n.(5)用准确率 ACC 衡量模型的识别效果,其定义33为ACC=(TN+Tp)/(TN+Tp+FP+FN),(6)其中,Tp表示模型识别正确的某类岩屑图个数,FP表示为其他种类岩屑图片被识别某类岩屑图片的个数。FN表示某类岩屑图片被错误预测为其他种类岩屑图片的个数(TN在计算时未使用到)。在 CNN 训练中,将所有数据迭代完一遍称为一个 epoch,本文计算一个 epoch 需要大约 270 s。在训练 100 个 epoch 后,训练集、验证集、测试集的岩性识别准确率分别达到 96.5%,72.2%和647第 6 期董文豪,张怀:基于迁移学习的岩屑岩性识别图 3 18 种岩屑图片示例Fig.3 Examples of pictures of 18 kinds of cuttings72.4%,CNN 模型的泛化能力较差。2.2.2 迁移学习模型 本文应用的迁移学习模型由 VGG-16 模型的卷积模块和 2 个全连接层构成,迁移学习模型结构如图 4 所示。输入信号形状为(200,200,3);设置 2 个卷积层,连接 1 个池化层;再设置 2 个卷积层,连接 1 个池化层;再设置 3 个卷积层,连接1 个池化层;再设置 3 个卷积层,连接 1 个池化层;再设置 3 个卷积层,连接 1 个池化层。此时输出尺寸大小为(6,6,512)。经过 Flatten 层将矩阵747中国科学院大学学报第 40 卷 图 4 迁移学习模型结构Fig.4 The structure of transfer learning model平铺成向量形式。之后又连接 2 个全连接层,全连接层中插入 1 个 Dropout 层以降低过拟合造成的影响。第 1 个全连接层输出个数为 512,最后 1个全连接层输出个数为 18,采用 Softmax 函数计算输出事件类别的概率分布。在迁移学习模型训练中,将所有数据迭代完一遍称为一个 epoch,计算一个 epoch 需要大约565 s,训练 100 个 epoch 后,训练集、验证集、测试集的岩性识别准确率分别达到 99.7%,87.2%和87.3%。表 2 展示了迁移学习测试集中分类错误的岩屑图片分类及数量。图 5 展示了 CNN 模型和迁移学习模型训练过程,其中 5(a)为 CNN 模型和迁移学习模型在训练学习岩屑图片时的精度曲线,5(b)为 CNN模型和迁移学习模型在训练学习岩屑图片时的损失函数。通过比较,迁移学习模型的学习能力和泛化能力均优于 CNN 模型。3 岩屑分类识别分析 本研究基于 18 种岩屑的 5 877 张岩屑图片建立训练集、验证集和测试集,使用卷积神经网络模型和岩屑图片迁移学习模型分别进行训练,再 表 2 迁移学习测试集准确率Table 2 Accuracy of transfer learning testing set%准确率准确率棕红色泥岩100.0灰白色细砂岩94.1深灰色泥岩85.1灰色油迹细砂岩88.9紫红色泥岩100.0灰褐色油斑细砂岩98.6灰黑色泥岩96.4褐灰色油斑细砂岩96.7深灰色粉砂质泥岩80.9深灰色泥质粉砂岩66.7黑色碳质泥岩100.0灰色泥质粉砂岩34.7灰黑色碳质泥岩95.6浅灰色油迹细砂岩84.1浅灰色细砂岩85.8灰白色中砂岩90.5浅红色细砂岩93.3黑色煤65.7图 5 CNN 模型和迁移学习模型训练过程Fig.5 Train process of CNN model and transfer learning model847第 6 期董文豪,张怀:基于迁移学习的岩屑岩性识别将训练好的模型分别对相同测试集进行验证,结果表明岩屑图片迁移学习模型能够更好地训练学习岩屑图片,并且有更好的泛化能力,即更好地分类识别新的岩屑图片。在识别测试集中的岩屑图片时,CNN 模型的识别率较低,这是因为 CNN 模型需要足够的数据集进行学习,否则会出现过拟合的问题。而迁移学习模型事先学习训练过有相关性的图片数据集,所以初始的训练精度要更高,并且后续的训练精度也更高,在对测试集中的岩屑图片分类识别时岩性准确率能达到 87.3%,有很好的泛化能力。本文对比了 CNN 模型和岩屑图片迁移学习模型的学习效率,迁移学习模型训练一次的时间更长。本文选用的 VGG-16 模型层数更多,参数更多,因此每一个 epoch 学习的时间更长。表 2 展示了迁移学习在对岩屑图片测试集测试后的结果。模型对灰色泥质粉砂岩识别能力最差,准确率仅有 34.7%,有一半被错划分为深灰色粉砂质泥岩,这是由于两种岩屑图片较像,可能在岩屑录井过程中有杂质渗入到灰色泥质粉砂岩中,对模型识别造成干扰。模型对深灰色泥质粉砂岩识别能力较差,准确率为 66.7%,一方面是因为这类岩屑的图片太少,训练集仅有 16 张图片,导致了模型对该类岩屑识别不充分,造成过拟合,容易将它们错误分类到图片较多的那一类。模型对黑色煤的识别准确率也较差,因为黑色煤的图片质量较差,有大量杂质存在,对模型识别造成干扰。模型对泥岩的分类效果最好,识别率均能达到 80%以上;对砂岩的分类效果较差,因为砂岩又分为细砂岩和中砂岩,粒径对模型的识别造成干扰。4 结论 本研究基于 18 种岩屑的 5 877 张岩屑图片建立训练集、验证集和测试集,使用卷积神经网络模型和迁移学习模型分别进行训练,并用于相同测试集进行验证。结果表明,由于迁移学习模型使用了 VGG-16 模型,训练精度和识别效率均更高,避免了 CNN 模型的过拟合状况。迁移学习算法为岩屑分类识别提供了新思路和方案,同时模型通过计算机来提取图片特征,不需要工作人员手动分类处理,有效降低了主观因素对岩屑图片分类识别的影响,也大幅度降低了人工工作强度。参考文献 1 刘永明.岩屑录井技术发展之前瞻J.中国石油和化工标准与质量,2012,33(11):117.DOI:10.3969/j.issn.1673-4076.2012.11.097.2 贺新,杨膳源.岩屑录井技术影响因素及对策分析J.石化技术,2019,26(9):147-147,149.DOI:10.3969/j.issn.1006-0235.2019.09.083.3 柳金钟,张海翠,王秀荣,等.文72 块沙三中地层特征分析及岩性特征识别J.内蒙古石油化工,2005,31(8):156-159.4 付玉宝.岩屑远程识别技术研究与应用J.录井工程,2015,26(1):66-69.DOI:10.3969/j.issn.1672-9803.2015.01.016.5 黄蕾,郭超亚.基于变差函数和局部方差图的煤岩图像纹理特征提取J.工矿自动化,2018,44(4):62-68.DOI:10.13272/j.issn.1671-251x.17311.6 吴正文.卷积神经网络在图像分类中的应用研究D.成都:电子科技大学,2015.7 阎治全,周波,李栋巍,等.K 近邻分类法在岩屑数字图像岩性分析中的应用J.录井工程,2017,28(1):8-11.DOI:10.3969/j.issn.1672-9803.2017.01.002.8 万红吉,杨晓敏,陈默,等.基于模糊 C 均值聚类算法的岩屑识别方法研究J.四川大学学报(自然科学版),2010,47(3):537-542.DOI:10.3969/j.issn.0490-6756.2010.03.025.9 陈超,李文藻.一种基于随机森林与颜色特征的岩屑识别算法J.四川大学学报(自然科学版),2012,49(3):587-592.DOI:10.3969/j.issn.0490-6756.2012.03.020.10 郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述J.计算机工程与应用,2019,55(12):20-36.DOI:10.3778/j.issn.1002-8331.1903-0031.11 张琦,张荣梅,陈彬.基于深度学习的图像识别技术研究综述J.河北省科学院学报,2019,36(3):28-36.DOI:10.16191/ki.hbkx.2019.03.004.12 郑尊凯.深度学习模型下岩屑图像识别研究D.荆州:长江大学,2019.13 Bianco S,Buzzelli M,Mazzini D,et al.Deep learning for logo recognitionJ.Neurocomputing,2017,245:23-30.DOI:10.1016/j.neucom.2017.03.051.14 金连文,钟卓耀,杨钊,等.深度学习在手写汉字识别中的应用综述J.自动化学报,2016,42(8):1125-1141.DOI:10.16383/j.aas.2016.c150725.15 白林,姚钰,李双涛,等.基于深度学习特征提取的岩石图像矿物成分分析J.中国矿业,2018,27(7):178-182.DOI:10.12075/j.issn.1004-4051.2018.07.038.16 Goodfellow I,Bengio Y,Courville A,et al.Deep Learning M.Cambridge:Massachusetts Institute of Technology Press,2016.17 万川,王正勇,何海波,等.基于改进 P-Unet 模型的岩屑颗粒识别J.信息技术与网络安全,2020,39(11):56-61.DOI:10.19358/j.issn.2096-5133.2020.11.009.18 熊越晗,刘东燕,刘东升,等.基于岩样细观图像深度学947中国科学院大学学报第 40 卷习的岩性自动分类方法J.吉林大学学报(地球科学版),2021,51(5):1597-1604.DOI:10.13278/ki.jjuese.20200291.19 Theodoridis S.Machine learning:a Bayesian and optimization perspectiveM.2nd ed.Amsterdam:Elsevier Ltd,2020.20 Deng J,Dong W,Socher R,et al.ImageNet:a large-scale hierarchical image databaseC2009 IEEE Conference on Computer Vision and Pattern Recognition.June 20-25,2009,Miami,FL,USA.IEEE,2009:248-255.DOI:10.1109/CVPR.2009.5206848.21 杨真真,匡楠,范露,等.基于卷积神经网络的图像分类算法综述J.信号处理,2018,34(12):1474-1489.DOI:10.16798/j.issn.1003-0530.2018.12.009.22 王鹿,曾国辉,黄勃.基于深度学习的风格迁移算法的研究与实现J.智能计算机与应用,2020,10(2):57-60,65.DOI:10.3969/j.issn.2095-2163.2020.02.011.23 Pan S J,Yang Q.A survey on transfer learningJ.IEEE Transactions on Knowledge and Data Engineering,2010,22(10):1345-1359.DOI:10.1109/TKDE.2009.191.24 Weiss K,Khoshgoftaar T M,Wang D D.A survey of transfer learning J.Journal of Big Data,2016,3:9.DOI:10.1186/s40537-016-0043-6.25 Hashemi,A S,Br A,Mozaffari S,et al.Transferable universal adversarial perturbations using generative modelsEB/OL.arXiv:2010.14919v2(2020-10-29)2022-01-20.https:arxiv.org/abs/2010.14919v2.26 Gupta A,Ahuja S.Parametric variational linear units(PVLUs)in deep convolutional networksEB/OL.arXiv:2110.12246v4(2021-12-16)2022-01-20.https:arxiv.org/abs/2110.12246v4.27 白林,魏昕,刘禹,等.基于 VGG 模型的岩石薄片图像识别J.地质通报,2019,38(12):2053-2058.28 Liu C Z,Li M C,Zhang Y,et al.An enhanced rock mineral recognition method integrating a deep learning model and clustering algorithmJ.Minerals,2019,9(9):516.DOI:10.3390/min9090516.29 许振浩,马文,林鹏,等.基于岩石图像迁移学习的岩性智能识别J.应用基础与工程科学学报,2021,29(5):1075-1092.DOI:10.16058/j.issn.1005-0930.2021.05.002.30 刘晨,赵晓晖,梁乃川,等.基于 ResNet50 和迁移学习的岩性识别与分类研究J.计算机与数字工程,2021,49(12):2526-2530,2578.DOI:10.3969/j.issn.1672-9722.2021.12.020.31 范思萌,王梅,杨二龙,等.基于 SVM-FTVGG16 的岩屑检测方法J.现代电子技术,2021,44(20):103-106.DOI:10.16652/j.issn.1004-373x.2021.20.021.32 何为民,何铮,周娜.深度学习的热与冷J.单片机与嵌入式系统应用,2021,21(11):2-4.33 周志华.机器学习M.北京:清华大学出版社,2016.34 张有健,陈晨,王再见.深度学习算法的激活函数研究J.无线电通信技术,2021,47(1):115-120.DOI:10.3969/j.issn.1003-3114.2021.01.016.35 周飞燕,金林鹏,董军.卷积神经网络研究综述J.计算机学报,2017,40(6):1229-1251.DOI:10.11897/SP.J.1016.2017.01229.36 黄庆康,宋恺涛,陆建峰.应用于不平衡多分类问题的损失平衡函数J.智能系统学报,2019,14(5):953-958.DOI:10.11992/tis.201808004.37 庄福振,罗平,何清,等.迁移学习研究进展J.软件学报,2015,26(1):26-39.DOI:10.13328/ki.jos.004631.38 Wei F M,Zhang J P,Chu Y,et al.FSFP:transfer learning from long texts to the short J.Applied Mathematics&Information Sciences,2014,8(4):2033-2040.DOI:10.12785/amis/080462.39 Simonyan K,Zisserman A.Very deep convolutional networks for large-scale image recognition EB/OL,arXiv:1409.1556v6(2015-04-10)2022-01-20.https:arxiv.org/abs/1409.1556v6.40 万磊,佟鑫,盛明伟,等.Softmax 分类器深度学习图像分类方法应用综述J.导航与控制,2019,18(6):1-9,47.DOI:10.3969/j.issn.1674-5558.2019.06.001.057