基于有界分类器的深度学习青铜器年代鉴别方法
Bronze Dating Identification Method Based on Bounded Classifiers in Deep Learning作者机构:西华大学电气与电子信息学院四川成都610036 民航成都电子技术有限责任公司四川成都610041 成都川哈工机器人及智能装备产业技术研究院有限公司四川成都610041 成都文物考古研究院文物考古工作队四川成都610031
出 版 物:《激光与光电子学进展》 (Laser & Optoelectronics Progress)
年 卷 期:2024年第61卷第8期
页 面:192-200页
核心收录:
学科分类:081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:四川省科技成果转移转化示范项目(2023ZHCG0039) 四川省科技计划项目(重点研发项目)(2023YFG0338) 四川省科技计划项目(重点研发项目)(2023YFG0191)
主 题:图像处理 深度学习 青铜器 EfficientNetV2 年代鉴别
摘 要:针对古青铜器年代鉴别任务需要大量的相关史料、鉴别耗时长以及主观性强等问题,提出一种新思路用于辅助考古专家对古青铜器进行分析和年代鉴别。所提方法在图像分类预训练权重的基础上应用深度学习方法对古青铜器进行年代鉴别:首先,通过大量的基础实验,在较为有代表性的4种网络模型中选出鉴别结果较好的EfficientNetV2-L作为基线模型;接下来,使用EfficientNetV2-L对古青铜器数据集进行特征提取;然后,将原有的线性分类层替换为cosin_classifier,减小方差带来的风险,提高模型鉴别能力;最后,引入Focal损失函数替换原有的交叉熵损失函数进行损失计算,在聚焦因子(focusing parameter)和加权因子(class weighting)作用下有效地改善样本数量较少类别所导致的模型学习效果较差的问题。所提方法较原始EfficientNetV2-L在准确率、精确率、召回率、F1分数和曲线下面积等指标上提高4.1百分点、4.0百分点、4.1百分点、4.2百分点和0.9百分点,在测试集上取得91.7%的最优准确率。在此基础上,还对分期有争议的青铜器进行了模型预测分析。结果表明,深度学习技术在古青铜器数据集年代鉴别任务上是有效的,可提供参考分析数据,减轻考古专家的工作强度。