摘要:
化石的系统分类是古生物学研究的基础工作。传统的古生物系统分类对专业经验要求高, 多重复劳动费时费力, 并且不同分类专家之间存在鉴定差异。本文结合迁移学习与卷积神经网络技术, 将其引入基于图像的古生物系统分类工作中, 探索其辅助古生物学家进行高效、准确分类的有效性。本文构建了一个包含5个纲及亚纲的无脊椎动物化石类群共3358张化石图像的数据集, 整体具有样本总量有限、形态特征维度复杂、组间样本分布不均衡等特点。针对这些特点, 本研究选取了VGG16模型结合迁移学习的方法进行训练, 得到的最优模型在测试集上的分类准确率达到97.33%, 精确度达到97.26%, 召回率达到97.07%, F1分数达到97.16%。这一结果表明, 本文建立的基于迁移学习的卷积神经网络化石图像分类流程, 包括在数据预处理中使用数据增强, 在训练中使用具有针对性的微调, 均可以有效地改善使用小数据集训练复杂深度模型时的局限性。面对复杂度较高、数据量较小的科学数据集, 选择合适的迁移学习训练策略, 也可以在有限的计算成本内, 训练出满足预期性能的高性能模型。
