利用迁移学习和焦点损失卷积神经网络的石墨分类

摘要

为了使得优质石墨资源得到优质优用,提出利用迁移学习和焦点损失卷积神经网络的石墨分类识别算法.在自建的初始数据集基础上,通过对数据集的离线扩充与在线增强,有效扩大数据集并减低深层CNN过拟合的风险.以VGG16、ResNet34和MobileNet V2为基础模型,重新设计新的输出模块载入全连接层,提高了模型的泛化能力与鲁棒性;结合焦点损失函数,修改模型超参数并在石墨数据集上训练.实验仿真发现,本文所提方法的准确率均在95%以上,识别准确率提高,收敛速度加快,模型更加稳定,证明了所提算法的可行性与有效性.