Page 319 - 《软件学报》2020年第11期

3634 Journal of Software 软件学报 Vol.31, No.11, November 2020

练效果,防止过拟合.值得注意的是,本文提出的图像扩增预处理方法可扩展至具有相似特性的显微图像,如其
他类型岩石显微图像、医学显微图像等的特征表示中.

(a) SVM 模型精确度指标 (b) SVM 模型 F1 指标

(c) LR 模型精确度指标 (d) LR 模型 F1 指标
Fig.7 Comparison of prediction performance of FeRNet features with and without image augmentation
图 7 使用和不使用图像扩增情况下,FeRNet 特征预测性能对比
5.2 卷积自编码网络对FeRNet网络训练的影响

为了探究卷积自编码网络对 FeRNet 网络训练的影响,本文基于随机初始化的权重训练 FeRNet 网络(简称
FeRNet-nCAE),采用该网络提取验证数据集中砂岩显微图像的特征,结合第 3.3.3 节所述的分类模型进行实验,
与基于卷积自编码网络编码器权重训练得到的 FeRNet 网络的预测性能比较.图 8 列出两种网络提取的特征在
不同分类模型的预测表现.
如图 8 所示,与基于随机初始化的权重训练得到的 FeRNet-nCAE 网络相比,基于卷积自编码网络编码器权
重训练得到的 FeRNet 网络提取的特征在砂岩显微图像自动分类中始终具有更好的预测性能.如图 8(a)所示,当
使用精确度作为评测指标时,与随机初始化得到的 FeRNet-nCAE 网络相比,基于卷积自编码网络权重得到的
FeRNet 网络提取的特征在所有分类模型的预测性能均获得提升 . 特别 是在朴素贝叶斯模型中 ,相比
FeRNet-nCAE 特征,FeRNet 特征的预测性能提高 8.64%.如图 8(b)所示,当使用 F1 值作为评测指标时,与使用精
确度指标结果一致.与随机初始化得到的 FeRNet-nCAE 网络相比,基于卷积自编码网络权重得到的 FeRNet 网
络提取的特征预测性能同样获得显著提升.
基于以上分析,卷积自编码网络可有效改善 FeRNet 网络的训练效果.卷积自编码网络可初步编码砂岩显微
图像的语义信息,为 FeRNet 网络的训练提供基础.与随机初始化权重方式相比,使用卷积自编码网络编码器权