1、“.....本文提出了基于岩化学习率均为。为防止训练过拟合，模型每完成次迭代后，将学习率除以。在测试阶段采用两种测试方法未增强测试，直接从测试图像中裁剪定大小区域得到测试结果增强测试，从测试图像中裁剪张同等大小图像，将张图像的平均值作为测试结果。摘要岩性识别目前需要定的专业背景和丰富的判别经验，多基于人工判别方法。本文兼顾岩石数据的全局图像信息和局部纹理信息，提出基于岩石新鲜面图像与孪生卷积神经网络结构的深度学习岩性自动识别方法。使用野外拍摄的岩石是实际网络输出为类的概率值，即式输出值为损失值。本文使用算法优化模型。算法是种白适应参数更新算法，通过更新和计算影响模型训练和输出的网络参数，使其逼近最优解，从而最小化损失值。其更新参数方法为实验与分析数据集本文实验采用的岩石图像数据集为人工标注的野外实地拍摄岩石新鲜面图像图，采集仪器为......”。

2、“.....实验中首先通过裁剪去除原始图像探讨孪生卷积神经网络及岩石新鲜面图像的岩性识别方法岩石学论文公开数据集迁移学习方法下不同模型的精度召回率和得分表。表迁移学习模型对比结果表中对应深度卷积神经网络在使用迁移学习方法后，模型精度显著提高，证明了迁移学习在本文数据集上的适用性。通过表可发现，采用模型作为网络结构的精度与得分最高，因此，后续实验选用模型作为基础网络结构。迁移学习在定程度上提升了模型的识别精度，但单模型并不能同时兼顾岩石图像的全局和局部特征。因此，本文采用孪生卷积神算法优化模型。算法是种白适应参数更新算法，通过更新和计算影响模型训练和输出的网络参数，使其逼近最优解，从而最小化损失值。其更新参数方法为实验与分析数据集本文实验采用的岩石图像数据集为人工标注的野外实地拍摄岩石新鲜面图像图，采集仪器为，分辨率大小为像素......”。

3、“.....然后进行旋转等操作增加实验样本数量。从拍摄图像中共筛选出张有效图出现极大提升了图像特征表达能力，在数字图像处理领域中得以成功应用。新鲜面图像裁剪后图像带权平均和带权有偏方羞移分别是对仇的偏差校。表示时间的梯度￡为初始化参数为时刻参数为时刻更新参数。实验设置本文实验均在机器上完成，训练阶段将设置为，迭代次数为次，所有模型的初始化学习率均为。为防止训练过拟合，模型每完成次迭代后，将学习率除以。在测试阶段采用两种测试摘要岩性识别目前需要定的专业背景和丰富的判别经验，多基于人工判别方法。本文兼顾岩石数据的全局图像信息和局部纹理信息，提出基于岩石新鲜面图像与孪生卷积神经网络结构的深度学习岩性自动识别方法。使用野外拍摄的岩石图像作为模型验证数据，通过专家命名构建深度学习样本库对模型进行验证和分析......”。

4、“.....再将特征信息融合以构建统描述子，最后根据描述子信息识别岩性。实验结果表明，该文，林奕欧，雷航，李晓瑜，等自然语言处理中的深度学习方法及应用电子科技大学学报，奚雪峰，周国栋面向自然语言处理的深度学习研究自动化学报。结语为将深度学习方法与地质岩性识别相结合并提高岩性识别的精度，本文提出了基于岩石新鲜面图像与网络的孪生卷积神经网络模型。在岩石数据量较少情况下，通过裁剪旋转等增加数据量在网络模型设计方面，采用孪生卷积神经网络充分提取图像的全局特征和局部特征。以野外拍摄的岩石照片作为实验数据，本文方法岩性识别精度达，能较为准确地识别岩石类型后期可通过增加岩石种类与数量进步提高模型的岩石识别能力。本研究证明了深度学习网络模型卷积神经网络的训练需大量样本，如等深度神经网络均在百万量级的贯数据集上训练得到......”。

5、“.....现有的野外采集岩石图像数量有限且样本单，这给岩性识别网络的训练带来定困难。同时，岩石图像与自然场景图像如数据集图像有定的差别，单张岩石图像的组成颜色更为单，且在光照条件多变的户外采集的岩石图像颜色误差较大，纹理细节容易丢失，而这种纹理细节对识别任务具有重林奕欧，雷航，李晓瑜，等自然语言处理中的深度学习方法及应用电子科技大学学报，奚雪峰，周国栋面向自然语言处理的深度学习研究自动化学报探讨孪生卷积神经网络及岩石新鲜面图像的岩性识别方法岩石学论文，冯雅兴，龚希，徐永洋，等基于岩石新鲜面图像与孪生卷积神经网络的岩性识别方法研究地理与地理信息科学高的具体原因有待进步探索只针对图像视野中的岩石做了相关研究，野外实地拍摄的岩石图像可能有其他背景信息干扰，这也是下步研究需要解决的问题。参考文献刘烨，程国建，马微......”。

6、“.....但也存在不足对于等模型在文中数据集上准确率不高的具体原因有待进步探索只针对图像视野中的岩石做了相关研究，野外实地拍摄的岩石图像可能有其他背景信息干扰，这也是下步研究需要解决的问题。参考文献刘烨，程国建，马微，等基于铸体薄片图像颜色空间与形态学梯度的岩石分类中南大学学报自然科学版，作用，采用般的深度卷积神经网络模型难以充分提取此类细节信息。针对以上问题，本文提出种基于孪生卷积神经网络结构的岩性自动识别方法。为解决数据量不足的问题，在对岩石图像进行样本增强的基础上，使用迁移学习方法进步提高模型精度针对野外直接采集岩石样本图像特殊性问题，本文设计了孪生卷积神经网络同步学习岩石图像的全局信息及局部纹理信息最后，通过实验证明本文方法的有效性......”。

7、“.....冯雅兴，龚希，徐永洋，等基于岩石新鲜面图像与孪生卷积神经网络的岩性识别方法研究地理与地理信息科学，。深度神经网络对图像有更好的表达能力，但其在野外岩石图像识别中应用较少。这是由探讨孪生卷积神经网络及岩石新鲜面图像的岩性识别方法岩石学论文石新鲜面图像与网络的孪生卷积神经网络模型。在岩石数据量较少情况下，通过裁剪旋转等增加数据量在网络模型设计方面，采用孪生卷积神经网络充分提取图像的全局特征和局部特征。以野外拍摄的岩石照片作为实验数据，本文方法岩性识别精度达，能较为准确地识别岩石类型后期可通过增加岩石种类与数量进步提高模型的岩石识别能力。本研究证明了深度学习网络模型在地质岩性识别中的有效性，但也存在不足对于等模型在文中数据集上准确率像作为模型验证数据，通过专家命名构建深度学习样本库对模型进行验证和分析......”。

8、“.....再将特征信息融合以构建统描述子，最后根据描述子信息识别岩性。实验结果表明，该文提出的基于孪生卷积神经网络对岩石数据的适用性较强，能很好地区分岩石类型。对岩性的识别精度达。关键词人工智能卷积神经网络大数据岩性识别岩性识别是地质学研究中的项重要工作，目前对岩性的识别主要由人工无关背景图，然后进行旋转等操作增加实验样本数量。从拍摄图像中共筛选出张有效图像，经数据增强处理后得到张图像表，按照随机取样方法分为训练图像张测试图像张。新鲜面图像裁剪后图像带权平均和带权有偏方羞移分别是对仇的偏差校。表示时间的梯度￡为初始化参数为时刻参数为时刻更新参数。实验设置本文实验均在机器上完成，训练阶段将设置为，迭代次数为次，所有模型的初网络模型进步提升识别精度，以结构作为基础网络结导致上述结果的主要原因有本文岩石数据量不足构......”。

9、“.....结果如表所示。探讨孪生卷积神经网络及岩石新鲜面图像的岩性识别方法岩石学论文。表示图像被预测为第类的概承表示训练样本类别数，本文数据集共有种岩石类型，故表示模型最后层网络的输出。深度学习过程为优化期望输出和真实输出之问的误差损失，本文选用交叉熵作为损失函数式中是期望输出，经数据增强处理后得到张图像表，按照随机取样方法分为训练图像张测试图像张。以训练好较深的网络结构由于岩石图像的特殊性，单模型并不能很好地提取图像的特征，导致岩性识别精度较低。迁移学习是深度学习领域中种重要方法，可将从其他数据集学习到的权重迁移到现有神经网络中，降低了现有神经网络从零开始训练的开销。由于本文数据集中岩石图像数量较少，从零开始训练模型并不能取得理想精度。为了证明迁移学习对本文岩石数据的适用性，本文比较了基于法未增强测试......”。