融合扩散和小波残差网络的岩石薄片图像分类

杜睿山; 穆文轩; 孟令东

doi:10.12404/j.issn.1671-1815.2503159

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (13) :5566-5573 DOI: 10.12404/j.issn.1671-1815.2503159

自动化技术、计算机技术

融合扩散和小波残差网络的岩石薄片图像分类

杜睿山 ¹^,²^,³ ,
穆文轩 ¹ ,
孟令东 ³

作者信息 +

Classification of Rock Thin Slice Images by Fusing Diffusion and Wavelet Residual Networks

DU Rui-shan ¹^,²^,³ ,
MU Wen-xuan ¹ ,
MENG Ling-dong ³

Author information +

文章历史 +

摘要

针对岩石薄片图像因类内差异大、类间相似性高而导致的分类难题,提出一种融合局部频域特征与全局语义的双路径分类模型(wavelet domain-denoising diffusion probabilistic models,WD-DDPM)。该方法以ResNet-50为基础,设计了基于小波变换的多尺度下采样模块(wavelet transform multi-scale down-sampling block,WTMDB),以替代传统下采样操作,通过对图像进行小波分解,在保留低频轮廓信息的同时,利用注意力机制强化高频子带中的边缘与纹理细节,有效增强了模型对局部判别性特征的提取能力。其次,引入扩散模型的U-Net编码器作为并行路径,提取蕴含整体结构与长距离依赖关系的全局上下文特征。最终,通过融合局部细节与全局语义的双路径特征,形成互补的图像表示,送入分类器完成岩性识别。在包含108个岩石薄片子类的数据集上的实验结果表明,所提方法的准确率达到97.5%,召回率为94.7%,F₁分数为96.0%,显著优于VGG16、MobileNetV3等主流卷积神经网络模型(在相同实验条件下),验证了其在复杂岩石图像分类任务中的优越性能与实用价值。

Abstract

To address the classification challenge of rock thin section images due to large intra-class variations and high inter-class similarities, a dual-path classification model WD-DDPM that integrates local frequency domain features and global semantics was proposed. Based on ResNet-50, a multi-scale downsampling module (WTMDB) based on wavelet transform to replace the traditional downsampling operation was designed. By performing wavelet decomposition on the image, it retains the low-frequency contour information while enhancing the edge and texture details in the high-frequency sub-bands using an attention mechanism, effectively strengthening the model’s ability to extract local discriminative features. Additionally, a U-Net encoder from the diffusion model was introduced as a parallel path to extract global context features containing overall structure and long-range dependencies. Finally, by fusing the dual-path features of local details and global semantics, a complementary image representation was formed and sent to the classifier for lithology identification. The experimental results on a dataset containing 108 rock thin slice samples show that the accuracy of the proposed method reaches 97.5%, the recall rate is 94.7%, and the F1 score is 96.0%, which is significantly better than mainstream convolutional neural network models such as VGG16 and MobileNetV3 (under the same experimental conditions), verifying its superior performance and practical value in the complex rock image classification task.

Graphical abstract

关键词

扩散模型 / 残差网络 / 小波变换 / 岩石薄片

Key words

diffusion model / residual network / wavelet transform / rock thin section

引用本文

引用格式 ▾

杜睿山, 穆文轩, 孟令东. 融合扩散和小波残差网络的岩石薄片图像分类[J]. 科学技术与工程, 2026, 26(13): 5566-5573 DOI:10.12404/j.issn.1671-1815.2503159

DU Rui-shan, MU Wen-xuan, MENG Ling-dong. Classification of Rock Thin Slice Images by Fusing Diffusion and Wavelet Residual Networks[J]. Science Technology and Engineering, 2026, 26(13): 5566-5573 DOI:10.12404/j.issn.1671-1815.2503159

登录浏览全文

4963

注册一个新账户忘记密码

利用岩石薄片图像识别岩石岩性,是资源勘查等领域^[1-3]中应用较为普遍且有效的鉴定方法之一。传统人工鉴定方法^[4]效率低且依赖专家经验。随着深度学习领域的发展,深度学习方法^[5-6]被广泛应用于岩石薄片图像分类任务,在增强结果的客观性和准确性上表现出巨大潜力。现有方法难以充分学习全局语义信息,导致对图像整体结构和宏观岩性特征的提取能力不足。特别是在处理复杂矿物组成时,模型往往过度关注局部特征,缺乏对全局上下文的理解,限制了分类性能。同时,岩石薄片图像具有的类内差距大、类间相似性高和多尺度结构特性决定了岩石薄片图像分类任务^[7]具备细粒度和多尺度的特点,导致难以精准分类。

崔欣桐等^[8]提出了融合并行多卷积注意力的扩散模型去雾方法,展现了扩散模型在图像增强与特征提取中的潜力;Wang等^[9]则利用扩散模型与群组自编码器对高光谱图像进行超分辨率重建,进一步拓展了其在复杂地质图像处理中的应用。在利用多源信息方面,周治岐等^[10]提出利用光谱-空间聚类实现多光谱图像的岩性分类;周程阳等^[11]构建混合专家模型,以动态集成策略提升岩石薄片图像分类效果;Ma等^[12]通过对单偏振和正交偏振图像进行微观特征融合,为岩性识别提供了更客观的解决方案;刘今子等^[13]则通过融合色彩空间分析与ResNet-50深度残差网络,有效提升了复杂岩性样本的分类精度;李天平等^[14]提出了一种融合多种深度学习模型的岩石铸体薄片孔隙自动分割方法,显著提升了孔隙结构提取的自动化程度与分割精度。在图像处理与特征提取层面,Yu等^[15]通过多级自适应Otsu阈值分割算法精准提取岩石薄片图像中的孔隙数据;程国建等^[16]则基于改进的EfficientNet模型并引入空间注意力模块进行岩性识别;李顺勇等^[17]采用轻量化网络与迁移学习技术,实现了高效、准确的岩性识别;Zhu等^[18]通过多通道与局部特征融合捕获分层特征,并利用多尺度预测融合策略优化模型。

尽管现有方法在岩石薄片图像分类任务上取得了显著进展,但这些方法通常只关注空间维度和通道数的变化,忽略了频域纬度上的信息。同时,岩石薄片图像的复杂纹理与多尺度结构导致捕捉区分性特征尤为困难,这些问题导致现有模型在处理此类数据上性能受限。

ResNet-50凭借其多层卷积结构,天然具备多尺度特征提取能力^[19]。相较于ResNet-18等较浅层网络,ResNet-50通过更深的网络结构和瓶颈设计,在岩石薄片图像分类任务中展现出更强的特征表征能力。同时,ResNet-50在保持优异性能的基础上,有效控制了模型复杂度与计算开销,为后续的特征融合模块提供了稳定可靠的基础架构。

结合当前研究现状与岩石薄片图像分类任务面临的挑战,现提出一种融合扩散模型与小波残差网络的创新方法。该方法以ResNet-50作为基础主干网络,通过以下关键设计实现特征提取能力的全面提升:首先,设计基于小波变换的多尺度下采样模块(WTMDB),替代原有的标准下采样操作,在保留图像频域信息的同时增强局部细节特征的提取能力;其次,引入扩散模型的U-Net编码器构建全局特征提取路径,有效捕获图像的宏观语义信息与长距离依赖关系。最终通过双路径特征的深度融合,实现对岩石薄片图像的智能化精准分类。

1 岩石薄片图像数据集

实验数据集来自南京大学岩石教学薄片显微图像数据集,该数据集中主要类别为沉积岩、火成岩和变质岩三种。三大类别进一步细分为108种岩石类型,其中沉积岩28种、火成岩40种、变质岩40种,涵盖90%以上的常见岩石类型共计108种岩石、324个岩石薄片的2 634张偏光显微照片。类别样本数量如表1所示。

由于单个子类别样本数量较少,为防止模型过拟合,对原始数据集进行旋转、翻转、裁剪、对比度增强等一系列数据增强操作,处理后的部分样本如图1所示。经上述处理后原有数据集扩充至21 072张,按照8∶2的比例划分训练集和测试集,其中训练集包括16 858张图像样本,测试集包括4 214张图像样本。

2 融合扩散模型与小波残差网络的分类模型

提出的融合扩散模型与小波残差网络结构如图2所示。模型以ResNet-50为基础主干网络,通过引入基于小波变换的多尺度下采样模块替换原始步长为2的普通卷积下采样操作,以增强对岩石薄片图像局部细节特征的多尺度捕捉能力。

在整体架构中,模型采用双路径并行策略:一路通过改进后的小波残差网络提取图像的高频细节与局部结构特征;另一路则利用扩散模型的U-Net编码器,从输入图像中提取蕴含全局语义与宏观上下文的特征表示。

最终,模型将从小波残差网络输出的局部深度特征与扩散路径中提取的全局特征进行拼接融合,形成兼具局部判别性与全局一致性的综合特征表示,并通过全连接层实现岩石薄片图像的精准分类。

2.1 基于小波变换的改进残差网络

传统下采样方法往往通过最大池化、平均池化以及步长为2的卷积操作减少数据维度,但会导致部分细节信息缺失。

针对岩石薄片图像分类任务需要捕捉精细结构、多尺度特征的特点,设计了基于小波变换的多尺度下采样模块WTMDB,如图3所示,WTMDB在保留频域信息的同时有效捕捉岩石薄片的多尺度特征信息。对输入特征图应用小波变换获取对应的低频与高频子带,利用深度卷积和逐点卷积在提取空间特征的同时保持计算效率,具体过程如式(1)所示。

(1)

$\mathit{Z}=\mathit{f}\left[\mathit{f}\right(\mathit{X}{\mathit{*}}_{\mathit{d}\mathit{w}}\mathit{G}+\mathit{B}){\mathit{*}}_{\mathit{p}\mathit{w}}\mathit{H}+\mathit{C}]$

式(1)中:X为输入子带;G为k×k的卷积核;B和C为偏置项;f(·)为激活函数;H为1×1卷积核用于混合不同通道信息;*_dw与*_pw分别代表深度卷积操作与逐点卷积操作。将得到的高频子带特征图通过混合注意力机制(convolutional block attention module,CBAM)强化边缘、纹理等细节信息具体过程如式(2)~式(4)所示。

(2)

${\mathit{M}}_{\mathit{c}}=\mathit{\sigma }\left[\mathit{M}\mathit{L}\mathit{P}\right(\mathit{A}\mathit{v}\mathit{g}\mathit{P}\mathit{o}\mathit{o}\mathit{l}+\mathit{M}\mathit{a}\mathit{x}\mathit{P}\mathit{o}\mathit{o}\mathit{l}\left)\right]$

(3)$M_{\mathrm{s}}=\sigma\left[f^{7 \times 7}(\text { AvgPool }+ \text { MaxPool })\right]$

(4)

${\mathit{Y}}_{\mathit{i}}={\mathit{M}}_{\mathit{s}}\left(\mathit{X}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}\right)\mathit{☉}\mathit{X}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}$

式中:AvgPool和MaxPool分别为全局平均池化和全局最大池化操作;MLP为全连接层;M_c为通道注意力权重;M_s为加权后的特征图的空间注意力权重;Y_i为CBAM注意力得到的最终对应的高频特征图。式(2)表示通道注意力过程,对每个高频子带计算通道注意力权重M_c。式(3)表示空间注意力过程,对通道注意力加权后的特征图计算空间注意力权重M_s。

2.2 基于扩散模型的全局特征提取网络

为有效捕获岩石薄片图像的全局语义信息,引入扩散模型构建全局特征提取路径。该路径利用预训练扩散模型的U-Net编码器作为特征提取核心,通过其特有的去噪任务迫使编码器学习图像的本质特征表示。其中扩散模型如图4所示。

在编码器结构中,深层网络利用大感受野卷积核捕获全局上下文信息,建立不同区域间的语义关联;同时通过跳跃连接保留多尺度结构特征,形成从微观到宏观的层次化特征表示。这种设计既保持了特征的结构完整性,又增强了对岩石复杂组成的理解能力。该路径有效弥补了传统卷积网络在长距离依赖建模上的不足,其输出的全局特征与局部细节特征形成互补,共同构建具有强判别力的图像表示。

3 实验结果与分析

3.1 模型性能评价指标

采用准确率、精确率、召回率和F₁分数对模型分类性能进行综合评价,变量定义如表2所示。

准确率表示模型在给定数据集上正确分类的整体比例,计算过程如式(5)所示。

(5)

$\mathit{A}=\frac{\mathit{T}\mathit{P}+\mathit{T}\mathit{N}}{\mathit{T}\mathit{P}+\mathit{T}\mathit{N}+\mathit{F}\mathit{P}+\mathit{F}\mathit{N}}\times 100\mathit{\%}$

精确率表示被模型预测为正类样本中实际为正类的比例,计算过程如式(6)所示。

(6)

$\mathit{P}=\frac{\mathit{T}\mathit{P}}{\mathit{T}\mathit{P}+\mathit{F}\mathit{P}}\times 100\mathit{\%}$

召回率表示在所有实际为正类的样本中被模型正确识别出来的比例,计算过程如式(7)所示。

(7)

$\mathit{R}=\frac{\mathit{T}\mathit{P}}{\mathit{T}\mathit{P}+\mathit{F}\mathit{N}}\times 100\mathit{\%}$

F₁分数是精确率和召回率的调和平均数可以较好地评估模型在正类样本的表现,计算过程如式(8)所示。

(8)

${\mathit{F}}_{1}=2\frac{\mathit{P}\mathit{R}}{\mathit{P}+\mathit{R}}\times 100\mathit{\%}$

3.2 实验环境及参数设置

实验软件环境为Win11 64位操作系统,基于Pytorch深度学习框架构建相应网络模型,实验在处理器Intel© Core^TMi9-14900KF、显卡NVIDIA GeForce RTX 4090 24GB、Python 3.9,CUDA 11.8环境下进行。训练过程中Batch Size设置为16,迭代次数(Epoch)设为100次,初始学习率为0.000 1,优化器选择为Adam。损失函数为常见交叉熵损失函数,使模型预测得到的概率分布值尽可能逼近真实概率分布。

3.3 消融实验

为验证引入方法的有效性,设计7组实验组在所有岩石子类(108类)上分别进行消融实验,以基础ResNet50网络作为Base组,其他组为仅利用WTMDB模块替换传统下采样卷积、仅引入DDPM、仅引入CBAM注意力机制、同时引入WTMDB和DDPM、同时引入WTMDB和CBAM、引入全部模块的7种情况对比结果如表3所示。

消融实验结果表明,提出的WTMDB模块与DDPM模块在岩石薄片图像分类任务中均发挥了重要作用。其中,专为频域特征设计的WTMDB模块在F₁分数上达到95.2%,优于通用注意力机制CBAM的94.7%,展现出其在局部特征提取上的优势;而DDPM模块将基线准确率提升1.9%~96.0%,有效强化了全局语义的捕获能力。二者的协同工作是性能提升的关键,其Base + WTMDB + DDPM组合准确率达到96.9%,显著优于基线及CBAM参照组。值得注意的是,在此基础上引入CBAM仅带来0.7%的准确率提升,这表明WTMDB与DDPM构成的双路径系统本身已形成一个高效且完备的解决方案,充分验证了所提融合策略的有效性与优越性。采用CKA方法分析不同模型的特征相似性,结果如图5所示。噪声预测网络浅层与ResNet-50特征高度相似,但随着网络加深,其特征表示逐渐差异化。这表明噪声预测网络既保留了有效的类别判别信息,又形成了独特的特征表示机制。通过将其提取的全局特征与小波残差网络的局部特征相融合,有效增强了岩石薄片图像的特征表达能力,为提升分类性能提供了重要支撑。

同时针对扩散模型超参数时间步t进行了实验,结果如图6所示。实验结果显示,从整体上看,准确率随着时间步t增大先增大后减小,在时间步t=90处达到峰值。说明在加噪时间比较小时,噪声预测网络在预测所添加噪声的中间过程中确实包含了对判别任务有正面作用的图像特征信息,而在加噪时间比较大时,这种提升不明显。

3.4 对比实验

为验证所提残差网络在岩石薄片图像分类任务中得有效性,设计本文模型与ResNet34^[19]、ResNet18^[19]、MobileNetV3^[20]、VGG16^[21]、GoogleNet^[22]、DenseNet121^[23]模型在岩石薄片图像分类任务中的性能对比试验,结果如表4所示。试验过程中均采用数据增强处理后的108类子类数据集。训练过程的准确率变化如图7所示。

由图7可知,随着迭代次数的增加,所有网络在50轮次左右全部收敛,并且本文方法具有更高的识别准确率。由表3可知,本文模型准确率达到了97.5%,相较于其他模型均有提高,同时其他三种指标均高于除DenseNet121模型外的其他模型,本文方法仅在召回率方面低于DenseNet121模型0.4个百分点。结果表明所提出的下采样模块、引入扩散模型能够显著提升模型识别准确率,并且所提出的小波域残差网络具有较强的岩石薄片图像识别能力。

3.5 可视化验证结果

为直观体现本文方法在岩石薄片图像分类任务的识别能力,选取岩石子类数据集中部分类别岩石样本图像的识别结果进行可视化展示,如图8(a)~图8(c)所示。此外,为验证本文方法对于实际油田勘探等场景中对岩性识别的有效性,选取一组油田真实岩石薄片图像数据集上进行了测试,识别结果如图8(d)~图8(f)所示。其中,本文模型图像识别结果均与真实类别一致且推测置信度较高,证明了本文模型在岩石薄片图像分类任务中的有效性。

在测试中同样存在识别错误的样本,如图9所示,本文模型将真实类别为石英岩的岩石薄片图像识别为长石砂岩,可能由于石英岩图像与长石砂岩在图像特征上过于相似所致。减少此类情况的产生是本文方法未来的改进方向。

4 结论

提出了一种融合扩散模型与小波残差网络的岩石薄片图像分类方法WD-DDPM。该方法通过双路径特征提取架构,结合基于小波变换的局部特征增强和扩散模型的全局语义提取,在测试集上取得了97.5%的分类准确率,证明了其在岩石薄片图像分类任务中的有效性。即使在训练样本有限的条件下,该方法仍能保持稳定的性能,展现了良好的泛化能力。未来的研究工作将聚焦于优化特征融合机制,进一步提升模型对岩石图像多尺度特征的感知与理解能力。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Li Y, Li J, Shen Y, et al. Application of thin slice technology of loose cuttings sample in early stage of experimental geology[J]. Journal of Physics: Conference Series, 2024, 2834(1): 012129.

[2]	Kelly J, Hollis P S, Dana P D C, et al. Characterization of a metamorphosed volcanic stratigraphy and VMS alteration halos using rock chip petrography and lithogeochemistry: a case study from King North, Yilgarn Craton, western Australia[J]. Minerals, 2024, 14(5): 481.

[3]	Behnam E, Sirous H, Ali K, et al. Simulating reservoir capillary pressure curves using image processing and classification machine learning algorithms applied to petrographic thin sections[J]. Journal of African Earth Sciences, 2024, 209: 105098.

[4]	周越洋, 夏竹君, 李朝, 等. 井场岩石薄片鉴定技术及应用[J]. 中国石油和化工标准与质量, 2021, 41(10): 180-181.

[5]	Zhou Yueyang, Xia Zhujun, Li Chao, et al. Technology and application of wellsite rock thin section identification[J]. China Petroleum and Chemical Standard and Quality, 2021, 41(10): 180-181.

[6]	刘明伟, 甄淼, 张铁安, 等. 基于VB 6.0的岩石薄片鉴定辅助系统设计与应用[J]. 实验科学与技术, 2025, 23(4): 54-59.

[7]	Liu Mingwei, Zhen Miao, Zhang Tiean, et al. Design and application of an auxiliary system for rock thin section identification based on VB6.0[J]. Experiment Science and Technology, 2025, 23(4): 54-59.

[8]	任书杰, 胡勇, 何文祥, 等. 基于深度学习的砂岩组分显微图像识别[J]. 科学技术与工程, 2024, 24(9): 3727-3736.

[9]	Ren Shujie, Hu Yong, He Wenxiang, et al. Sandstone component microscopic image recognition based on deep learning[J]. Science Technology and Engineering, 2024, 24(9): 3727-3736.

[10]	李林娟, 张兆祥, 贺赟. 基于域自适应的鲁棒图像分类算法[J]. 科学技术与工程, 2024, 24(36): 15558-15566.

[11]	Li Linjuan, Zhang Zhaoxiang, He Yun. A robust image classification algorithm based on domain adaptation[J]. Science Technology and Engineering, 2024, 24(36): 15558-15566.

[12]	崔欣桐, 王瑛, 邓真楠, 等. 融合并行多卷积注意力的扩散模型去雾方法[J]. 计算机工程与设计, 2025, 46(7): 2081-2088.

[13]	Cui Xintong, Wang Ying, Deng Zhennan, et al. Defogging method for diffusion models integrating parallel multi-convolution attention[J]. Computer Engineering and Design, 2025, 46(7): 2081-2088.

[14]	Wang Z Y, Li D Y, Zhang M Y, et al. Enhancing hyperspectral images via diffusion model and group-autoencoder super-resolution network[J]. arXiv Preprint, arXiv: 2402.17285, 2024.

[15]	周治岐, 李培军. 利用光谱-空间聚类的多光谱图像岩性分类[J]. 北京大学学报(自然科学版), 2025, 61(3): 525-534.

[16]	Zhou Zhiqi, Li Peijun. Lithological classification of multispectral images using spectral-spatial clustering[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2025, 61(3): 525-534.

[17]	周程阳, 刘伟, 吴天润, 等. 基于混合专家模型的岩石薄片图像分类[J]. 吉林大学学报(理学版), 2024, 62(4): 905-914.

[18]	Zhou Chengyang, Liu Wei, Wu Tianrun, et al. Rock thin section image classification based on a mixture of experts model[J]. Journal of Jilin University (Science Edition), 2024, 62(4): 905-914.

[19]	Ma W, Han T, Xu Z, et al. Feature fusion of single and orthogonal polarized rock images for intelligent lithology identification[J]. AI in Civil Engineering, 2025, 4(1): 5.

[20]	刘今子, 杜文颖, 董驰, 等. 基于色彩空间和深度残差网络ResNet-50的复杂岩性油气藏岩石样本智能分类及识别[J]. 科学技术与工程, 2023, 23(29): 12628-12637.

[21]	Liu Jinzi, Du Wenying, Dong Chi, et al. Intelligent classification and identification of complex lithologic reservoir rock samples based on color space and deep residual network ResNet-50[J]. Science Technology and Engineering, 2023, 23(29): 12628-12637.

[22]	李天平, 李功权. 融合多种深度学习模型的岩石铸体薄片孔隙自动分割方法[J]. 科学技术与工程, 2023, 23(21): 9168-9175.

[23]	Li Tianping, Li Gongquan. An automatic pore segmentation method for rock cast thin sections based on the integration of multiple deep learning models[J]. Science Technology and Engineering, 2023, 23(21): 9168-9175.

[24]	Yu C, Wu W, Zheng J, et al. A multi-stage adaptive otsu thresholding algorithm for pore segmentation in rock thin-section images[J]. Earth Science Informatics, 2025, 18(2): 239.

[25]	程国建, 李宗祥, 李秋实, 等. 基于岩石薄片图像与改进EfficientNet建模的岩性识别方法[J]. 西安石油大学学报(自然科学版), 2025, 40(2): 124-134.

[26]	Cheng Guojian, Li Zongxiang, Li Qiushi, et al. Lithology identification method based on rock thin section images and improved EfficientNet modeling[J]. Journal of Xi’an Shiyou University (Natural Science Edition), 2025, 40(2): 124-134.

[27]	李顺勇, 李青辉, 邢煜曼. 基于轻量化网络和迁移学习的岩石智能识别[J]. 科学技术与工程, 2025, 25(5): 1774-1782.

[28]	Li Shunyong, Li Qinghui, Xing Yuman. Intelligent rock recognition based on lightweight network and transfer learning[J]. Science Technology and Engineering, 2025, 25(5): 1774-1782.

[29]	Zhu X, Li M, Lan Z, et al. RockNet: deep progressive lithology recognition model based on feature saliency and fusion[J]. Neurocomputing, 2025, 616: 128898.

[30]	He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 770-778.

[31]	Howard A, Sandler M, Chu G, et al. Searching for MobileNetv3[C]// Proceedings of the IEEE/CVF International Conference on Computer Vision. Seoul: IEEE, 2019: 1314-1324.

[32]	Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. arXiv Preprint, arXiv: 1409.1556, 2014.

[33]	Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Boston: IEEE, 2015: 1-9.

[34]	Huang G, Liu Z, van der Maaten L, et al. Densely connected convolutional networks[C]// Proceedings of the IEEE Conference On Computer Vision and Pattern Recognition. New York: IEEE, 2017: 4700-4708.