在碎形预训练视觉转换器上分类微化石放射性物质

科学领域:

• 地质科学是地球科学.
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 深度学习,特别是图像分类,已经迅速发展,但在地质应用方面落后.
• 卷积神经网络 (CNN) 是常见的,但视觉转换器 (ViT) 提供了一个有前途的替代架构.
• 公式驱动监督学习 (FDSL) 使用生成的图像进行预训练,潜在地提高模型性能.

研究的目的:

• 评估视觉转换器 (ViT) 和公式驱动监督学习 (FDSL) 对于微化石图像分类的有效性.
• 为了解决将先进的深度学习技术应用于地质研究的时间延迟.
• 将ViT和FDSL模型的性能与传统的CNN模型在地质环境中进行比较.

主要方法:

• 应用视觉变压器 (ViT) 架构用于微化石图像分类.
• 利用公式驱动的监督学习 (FDSL) 用于预训练的分类模型与生成的图像.
• 与基线卷积神经网络 (CNN) 模型对比ViT和FDSL的性能.

主要成果:

• 与之前的CNN模型相比,基于ViT的模型的平均精度高出6-8%.
• 使用FDSL预训练的模型平均比使用真实图像预训练的模型准确度略高.
• ViT和FDSL技术在分类微化石 (放射性化石) 中被证明是有效的.

结论:

• 视觉变压器 (ViT) 和公式驱动监督学习 (FDSL) 适用于地质图像分类任务.
• 这些先进的深度学习技术可以提高分析地质图像的准确性和效率.
• 该研究强调了ViT和FDSL在加速地质科学领域采用深度学习的潜力.