Page 317 - 《软件学报》2020年第11期

3632 Journal of Software 软件学报 Vol.31, No.11, November 2020

类型砂岩显微图像的预测性能.
Table 6 Prediction performance (Mean±Std) of different deep self-taught features
based on SVM classification model
表 6 基于支持向量机分类模型,不同深度自学习特征的预测性能(均值±标准差)
精确度 F1
特征
长石砂岩 岩屑砂岩 石英砂岩 长石砂岩 岩屑砂岩 石英砂岩
Gen-aug 0.633±0.221 0.925±0.033 0.845±0.116 0.605±0.179 0.918±0.029 0.877±0.089
VGG-ft 0.351±0.148 0.834±0.051 0.658±0.058 0.254±0.097 0.858±0.013 0.680±0.034
VGG-ft-gen 0.348±0.197 0.848±0.058 0.682±0.070 0.255±0.125 0.865±0.015 0.701±0.051
FeRNet 0.916±0.088 0.938±0.035 0.870±0.075 0.805±0.135 0.948±0.015 0.899±0.042
Table 7 Prediction performance (Mean±Std) of different deep self-taught features
based on LR classification model
表 7 基于逻辑回归分类模型,不同深度自学习特征的预测性能(均值±标准差)
精确度 F1
特征
长石砂岩 岩屑砂岩 石英砂岩 长石砂岩 岩屑砂岩 石英砂岩
Gen-aug 0.600±0.211 0.893±0.041 0.860±0.052 0.531±0.184 0.904±0.027 0.869±0.032
VGG-ft 0.416±0.072 0.808±0.042 0.668±0.072 0.256±0.078 0.845±0.031 0.679±0.049
VGG-ft-gen 0.393±0.088 0.796±0.047 0.694±0.079 0.301±0.073 0.842±0.022 0.688±0.058
FeRNet 0.867±0.131 0.933±0.044 0.880±0.042 0.781±0.077 0.940±0.031 0.881±0.038
从表 6 可见,当使用支持向量机作为分类模型时,相比其他面向小规模数据集的深度自学习网络提取的图
像特征,本文 FeRNet 网络提取的砂岩显微图像特征在所有砂岩类型及评测指标中均取得最好的预测表现.在所
有深度自学习特征中,VGG-ft 方法提取的图像特征预测表现最差,远低于本文 FeRNet 网络提取的特征,说明微
调预训练网络参数的方法并不一定适用于所有图像.结合了平移、旋转等通用数据扩增方法后,VGG-ft- gen 方
法提取的特征预测性能提高 1%~2%.采用平移、旋转变换等通用数据扩增处理的 FeRNet 网络(Gen-aug)提取的
特征在其他深度自学习特征中预测表现最佳.然而,无论使用哪种评测指标,采用本文图像扩增处理的 FeRNet
网络提取的图像特征在 3 种类型砂岩的预测表现均优于通用数据扩增方法(Gen-aug).由此表明,相比平移、旋
转等通用数据扩增操作,本文提出的图像扩增方法更能保留图像原始的信息,有助于砂岩显微图像的特征表示.
从表 7 可见,当使用逻辑回归作为分类模型时,相比其他面向小规模数据集的深度自学习网络提取的图像
特征,本文 FeRNet 网络提取的砂岩显微图像特征在所有砂岩类型及评测指标中同样取得最好的预测表现.在其
他深度自学习特征中,Gen-aug 方法提取的特征取得最优预测性能.VGG-ft 和 VGG-ft-gen 方法提取的特征预测
表现相近,分别在不同砂岩类型获得高于对方的评测指标.与基于 SVM 分类模型的结果一致,FeRNet 网络提取
的图像特征在 3 种类型砂岩的预测表现均明显优于其他深度自学习特征.
基于以上分析可得:与其他面向小规模数据集的深度自学习图像特征相比,FeRNet 网络提取的图像特征在
砂岩显微图像自动分类中能够获得最好的预测性能.由此表明,(1) 由于与 ImageNet 数据集中图像存在差异,微
调预训练深度网络的部分参数不能有效增强其提取砂岩显微图像语义特征的性能;(2) 与平移、旋转等通用数
据扩增方法相比,本文提出的基于滑动窗口的图像扩增预处理方法,能够保留更多的原始图像信息,有助于砂岩
显微图像的特征表示.
4.3 不同分类模型预测性能
为了探究 FeRNet 网络提取的特征在使用何种分类模型时能够取得更好的预测性能,本文将 FeRNet 特征分
别与线性判别分析、决策树等经典分类模型结合进行实验,比较实验结果.图 6 列出基于不同分类模型,FeRNet
特征的预测性能,图中实心菱形表示均值.
如图 6(a)所示,当使用精确度作为评测指标时,FeRNet 特征具有一定的普适性,与各分类模型结合均可获得
理想的预测表现.相比其他分类模型,朴素贝叶斯和随机森林两种模型在交叉检验中评测指标的方差较小,说明
其具有更稳定的预测表现.但是,从评测指标的中值和均值角度来看,K 近邻和支持向量机模型比其他模型具有