陈杰,何月顺,熊凌龙,钟海龙,张朝锋,庞振宇

1)东华理工大学信息工程学院,南昌,330013;2)江西省放射性地学大数据技术工程实验室,南昌,330013

内容提要:传统古生物化石鉴定方法多依赖于古生物学家的经验知识,现有的人工智能识别方法需要大量的化石训练样本才能达到较高的准确率。为解决上述问题,在少量化石图像样本情况下准确识别化石,笔者等尝试使用残差网络和注意力模块相结合的方法,并将其运用于小样本的化石鉴定。首先以残差网络作为模型的特征提取模块,并在残差网络的残差块中嵌入CBAM卷积注意力模块,提高模型对于化石纹理特征的关注,以提取更为全面的深层次化石图像特征,再使用小样本度量学习中的原型网络对提取特征进行原型计算,最后通过多轮次迭代训练得出最佳的化石判别模型。使用本文方法与5种经典的小样本学习方法进行对比实验,实验结果表明本文方法的识别准确率最高,在样本数量为1和5的情况下,准确率达到了86.32%和94.21%,对稀缺样本下的化石识别具有更显著的优势。

对于古生物化石的鉴定一直都是古生物学中的重要内容,古生物学家可以通过对化石的鉴定和地层比较来了解地球的演化历史,从而对物种的演化关系提供强有力的理论支持,如Song Haijun等(2023)在《Science》杂志上发表的研究成果就是通过对特定化石组合的鉴定,发现了距离地球历史最大一次生物灭绝事件:二叠纪—三叠纪之交生物大灭绝仅过去了一百万年的时间,这一重大发现为我们理解最大规模灭绝之后的生命恢复速度和模式提供了新的认识。……