GAN-RES网络构建及其在稀缺样本蜓类化石识别中的应用研究

这篇研究创新性地将生成对抗网络（GAN）与残差网络（ResNet50）、高效网络（EfficientNet）及定制化卷积神经网络（CNN）相结合，提出GAN-RES框架，解决了古生物学中稀缺化石样本识别难题。通过GAN生成逼真虚拟图像扩充数据集，结合迁移学习技术，模型在16属蜓类化石识别中达到93%准确率，显著优于传统数据增强方法，为小样本古生物智能鉴定提供了新范式。

　　

1 引言

古生物学研究长期依赖专家经验进行化石鉴定，传统智能识别方法需大量样本训练。针对稀缺化石样本识别难题，研究团队以蜓类化石为对象，基于当前最大数据集"Fusulinid images 2400—NJU"（含16属4800张图像），创新提出GAN-RES框架。该框架通过深度卷积生成对抗网络（DCGAN）生成虚拟样本，结合ResNet50、EfficientNet和定制CNN架构，突破小样本学习瓶颈。

2 方法

2.1 数据信息

实验采用7:1.5:1.5比例划分训练/验证/测试集。数据集涵盖蜓类6亚科16属，每属含300张原始图像及灰度版本，包括显微镜照片和文献扫描图像。

2.2 GAN-RES网络构建

DCGAN生成器通过500轮训练达到判别器损失值50%的平衡状态，生成1000张/属虚拟图像。关键创新在于：

• 生成器采用多层逆卷积结构

• 判别器使用多层卷积网络

• 集成框架中EfficientNet冻结前80%层，ResNet50冻结71%层

2.3 数据预处理

图像统一调整为128×128像素，采用旋转、翻转等传统增强方法，并随机调整亮度/对比度。通过归一化处理提升模型训练效果。

2.4 训练策略

采用迁移学习技术：

• DCGAN阶段：批量大小50，StepLR动态调整学习率

• 分类模型阶段：加载ImageNet预训练参数，微调网络层

3 结果

3.1 模型性能

在100训练周期下取得显著成果：

• 平均准确率93%

• 部分属识别性能突出：Eostaffella/Misellina/Nankinella达99% F1值

• 争议属识别：Pseudofusulina与Schwagerina混淆率最高（76% F1值）

特征可视化显示：

• UMAP降维图中争议属分布重叠

• GradCAM揭示模型关注房室隔板（spirotheca）等关键形态特征

4 讨论

4.1 结果分析

模型识别错误与专家争议高度吻合，证实其生物学合理性。如：

• Pseudofusulina与Schwagerina因房室结构相似易混淆

• Eoparafusulina与Triticites存在12%交叉误判

4.2 技术优势

相比传统方法：

• 数据量需求降低80%

• 识别效率提升15倍

• 克服薄片角度造成的形态变异问题

5 结论

研究构建的GAN-RES框架：

1. 突破古生物样本稀缺限制

2. 建立形态特征-分类结果的量化关联

3. 为古生态/古环境研究提供自动化工具

   未来可扩展至其他微体化石分类，但新分类单元鉴定仍需专家介入。该成果发表于《Ecology and Evolution》，获吉林省科技厅项目支持。