论文引用：[1]胡博森,宋卫东,梁鹏.基于ResNet网络-深度迁移学习的岩石岩性自动分类方法[J/OL].地质科技通报,1-13[2026-07-11].https://doi.org/10.19509/j.cnki.dzkq.tb202603053.

在摘要中提到了这样一句话：研究表明，在小样本、细粒度岩石图像分类任务中，合理的模型容量与迁移学习策略匹配更为关键，该研究可为小样本条件下岩石岩性智能识别模型的构建以及类似地质影像分类任务中的网络选择与优化提供参考。

1.研究目的

        核心的问题在于如何利用深度学习技术，特别是结合迁移学习，在小样本条件下实现对常见岩石图像的自动、准确分类，以克服传统人工鉴定方法效率低、主观性强的缺点。

        与此同时也面临着几个其他问题：1. 不同岩石（如石英岩和大理岩）在视觉上可能非常相似，这就要求模型能够捕捉到细微的纹理、颜色和结构差异。2. 在数据约束的前提下，如何选择合适深度的网络以及最有效的迁移学习策略。

        这就提出了整个论文的目标：系统比较不同深度ResNet模型和不同迁移学习策略在岩石图像分类任务上的性能，找到最适合小样本、细粒度场景的模型与方法。

2. 研究过程（怎么做）

        原文的图像流程图：

数据预处理：1. 训练集采用了数据增强的方法，对每种岩石类型的样本进行了增强处理，以确保样本数量的均衡性。训练集、验证集和测试集的划分按照 6：2：2 的比例进行随机抽取分配，其中训练集用于模型训练，验证集用于模型选择与参数调优，测试集用于最终性能评估。2. 使用Canny边缘检测和形态学操作裁剪出岩石主体区域，以降低背景干扰。（原文表述：利用 Canny 算子提取岩石边缘信息，并结合形态学开运算与闭运算对边缘噪声进行抑制和连通性增强；依据轮廓面积阈值筛选有效目标区域，并采用外接矩形实现感兴趣区域裁剪。） 3. 数据增强。对训练集进行旋转、翻转、剪切、加噪声等操作，扩充至4473张，这样就解决了样本小的问题。

迁移学习训练策略：第一种策略冻结全部卷积层参数，仅对分类头全连接层进行优化—输出维度根据岩石分类任务调整；第二种策略固定前12 层卷积层，对后 5 层卷积层及分类器实施联合优化；第三种策略以预训练权重初始化全网络，在岩石数据集上进行端到端训练，采用余弦退火学习率调度。反向传播则利用梯度下降算法。

参数优化：1. 采用 Adam 优化算法对模型参数进行优化。 2. 批量大小（Batch-size）设定为 64，归一化处理。3. 初始学习率设为 0.001，每完成 30 个训练周期（Epoch）后，通过乘以 0.1 的系数进行衰减，该策略在保持训练初期参数探索能力的同时，后期有效抑制震荡。4. 由于实验采用多分类任务，因此利用多分类交叉熵损失函数对损失进行评估，选择多分类交叉熵损失函数作为性能度量。

3. 研究结论

 ResNet-18++（全参数微调的ResNet-18）在测试集上取得了最优性能，准确率、精确率、召回率和F1分数均超过96%。原文描述：这个趋势说明优化后的 ResNet-18 模型在相对较短的训练周期内就能够获得较高的准确率，并且表现出更稳定的收敛性，而 ResNet-34 和 ResNet-50 模型在相同的训练周期内虽然也收敛，但是其波动幅度较大，表现出不稳定的特点。

                    ​​​​​​​        

就结论而言： 在较小的数据集上，过深的网络（如ResNet-50）参数过多，容易过拟合，导致泛化能力下降，训练也不稳定（验证集精度震荡大）。ResNet-18容量适中，更容易在有限数据上学到具有泛化性的特征。