張慧斌，馮麗萍，郝耀軍，王一寧

（1.忻州師范學(xué)院 計算機(jī)系，山西 忻州 034000；2.燕山大學(xué) 信息科學(xué)與工程學(xué)院，河北 秦皇島 066004）

0 引言

中國敦煌古代壁畫作品是中國重要的文化遺產(chǎn)，敦煌古壁畫的朝代分類更是學(xué)者們研究的首要因素。敦煌莫高窟壁畫始建于中國古代前秦朝時期，擁有將近1 600 年歷史，先后經(jīng)歷北魏、西魏、北周、隋朝、唐朝、五代十國等朝代的興建，但是受上千年風(fēng)雨侵蝕和人為因素的影響，古代壁畫都遭到了不同程度的損壞，因此對壁畫朝代的判別變得困難，成為了歷史文化研究中的一大阻礙。利用深度學(xué)習(xí)智能技術(shù)對古代壁畫朝代識別分類鑒定成為學(xué)者們研究的重要方向之一。

深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在圖像處理方面取得了巨大的成功［1］，在藝術(shù)繪畫識別分類問題上也取得了很大突破。文獻(xiàn)［2］中使用遷移學(xué)習(xí)（Transfer Learning）方法在CNN 模型上對敦煌古壁畫進(jìn)行朝代識別分類，分類準(zhǔn)確率達(dá)到88.7%。文獻(xiàn)［3］中使用遷移學(xué)習(xí)方法把已經(jīng)預(yù)訓(xùn)練好的殘差網(wǎng)絡(luò)ResNet（Residual Network）模型ResNet50［4］以及VGGNet 模型［1］進(jìn)行再訓(xùn)練，先后預(yù)測了10 位以及20 位藝術(shù)家的畫作，分別達(dá)到了90.75%以及87.8%的測試準(zhǔn)確率。文獻(xiàn)［5］中收集了6 個朝代的3 860 張敦煌壁畫，并提出了DunNet 模型對敦煌壁畫朝代分類。文獻(xiàn)［6］中對膠囊網(wǎng)絡(luò)進(jìn)行適應(yīng)性增強(qiáng)，在提高梯度平滑度基礎(chǔ)上，利用自適應(yīng)學(xué)習(xí)率優(yōu)化模型，提高模型的分類精度，提出了適應(yīng)性增強(qiáng)膠囊網(wǎng)絡(luò)，對敦煌壁畫所屬朝代進(jìn)行分類達(dá)到了84.44%的測試準(zhǔn)確率。文獻(xiàn)［7］中對ResNet50 第49 層的平均池化用最大池化代替，對敦煌壁畫朝代進(jìn)行分類達(dá)到了88.46%的準(zhǔn)確率。

基于深度學(xué)習(xí)的古代壁畫分類方法比傳統(tǒng)算法在準(zhǔn)確率上有了很大的提高，但是CNN需要大量的訓(xùn)練學(xué)習(xí)樣本，然而古代壁畫的數(shù)量有限，一般采用數(shù)據(jù)增強(qiáng)方法解決訓(xùn)練學(xué)習(xí)不足問題。但是，數(shù)據(jù)增強(qiáng)方法存在兩個缺點：一是有些數(shù)據(jù)增強(qiáng)方法在擴(kuò)充訓(xùn)練集的數(shù)量的同時，增加了訓(xùn)練時間；二是有些數(shù)據(jù)增強(qiáng)方法改變了訓(xùn)練集的數(shù)據(jù)概率分布，使得訓(xùn)練和測試數(shù)據(jù)的概率分布差異變大，反而降低了預(yù)測準(zhǔn)確率。當(dāng)數(shù)據(jù)增強(qiáng)方法無效甚至可能降低分類性能的情況下，使用小樣本遷移學(xué)習(xí)方法［8］成為解決上述問題的一個選擇。遷移學(xué)習(xí)是將一個領(lǐng)域?qū)W到的知識轉(zhuǎn)移到另一個標(biāo)注數(shù)據(jù)為小樣本的領(lǐng)域，遷移學(xué)習(xí)能夠在標(biāo)注數(shù)據(jù)小樣本的情況下獲得比較好的測試結(jié)果。

從數(shù)據(jù)分析的角度，預(yù)訓(xùn)練的數(shù)據(jù)集和任務(wù)目標(biāo)數(shù)據(jù)集相關(guān)性越強(qiáng)，遷移學(xué)習(xí)的先驗知識獲取的效果越好；而古代壁畫數(shù)據(jù)集本身的樣本數(shù)很少，與之相關(guān)的數(shù)據(jù)集更難獲得，因此需要把沒有相關(guān)性的數(shù)據(jù)集作為預(yù)訓(xùn)練的數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)，通過改進(jìn)網(wǎng)絡(luò)模型、改進(jìn)分類器算法和訓(xùn)練方法構(gòu)造域適應(yīng)（domain adaption）方法以解決源域（source domain）和目標(biāo)域（target domain）數(shù)據(jù)分布不相關(guān)問題，使得目標(biāo)域盡可能利用源域知識提高任務(wù)目標(biāo)分類的性能，這是本文研究探索的方向。

針對上述深度學(xué)習(xí)對古代壁畫朝代識別任務(wù)中存在標(biāo)注數(shù)據(jù)嚴(yán)重不足的問題，提出一種基于注意力機(jī)制的ResNet20 模型［4］對古代壁畫進(jìn)行朝代分類識別，同時改進(jìn)了ResNet 的殘差連接方式，然后在不相關(guān)性的CIFAR10 數(shù)據(jù)集［9］上進(jìn)行預(yù)訓(xùn)練，在目標(biāo)數(shù)據(jù)集訓(xùn)練時，改進(jìn)分類器的算法，用以加大不同類之間數(shù)據(jù)分布的差異性。實驗結(jié)果表明，本文的基于小樣本遷移學(xué)習(xí)的網(wǎng)絡(luò)模型在敦煌古代壁畫朝代分類任務(wù)中獲得了很高的分類準(zhǔn)確率，表明了基于注意力機(jī)制和遷移學(xué)習(xí)的ResNet20 網(wǎng)絡(luò)模型在古代壁畫朝代識別任務(wù)中的有效性。

1 相關(guān)理論

1.1 遷移學(xué)習(xí)

文獻(xiàn)［10-11］中指出，在圖像分類任務(wù)中，CNN 通過訓(xùn)練數(shù)據(jù)從而獲得數(shù)據(jù)的分層特征表達(dá)能力，CNN 的深層用于語義分類，CNN 的底層用于描述低級語義特征（邊緣信息、顏色信息等局部特征），這樣的特征實際上在不同的分類任務(wù)中沒有太大的區(qū)別，而真正有區(qū)別的是深層特征。

文獻(xiàn)［12］中認(rèn)為遷移學(xué)習(xí)是利用有大量標(biāo)注數(shù)據(jù)的源域（預(yù)訓(xùn)練數(shù)據(jù)集）映射到任務(wù)目標(biāo)域（任務(wù)目標(biāo)數(shù)據(jù)集）的知識遷移方法。域之間的差異使得在不同域之中使用預(yù)測模型時存在障礙，需要通過域適應(yīng)解決該問題，即對來自兩個相關(guān)域但服從不同分布的數(shù)據(jù)，建立模型學(xué)習(xí)這兩個域的域不變特征（domain-invariant feature）。遷移學(xué)習(xí)的目標(biāo)是從數(shù)據(jù)中學(xué)習(xí)域不變特征，從而溝通源域和目標(biāo)域在一個同構(gòu)的隱特征空間。文獻(xiàn)［13］中認(rèn)為，域適應(yīng)方法旨在通過學(xué)習(xí)域不變特征把源域和目標(biāo)域連接起來，從而能夠利用源域所學(xué)到的知識對目標(biāo)域進(jìn)行預(yù)測。源域和目標(biāo)域上的數(shù)據(jù)分布偏差較大，這是域適應(yīng)要解決的問題，也是遷移學(xué)習(xí)核心要解決的問題。將域適應(yīng)問題轉(zhuǎn)換為尋找公共特征表示空間的問題，也就是尋找學(xué)習(xí)域的不變特征。

在理論上，任何領(lǐng)域之間都可以作遷移學(xué)習(xí)；但是，如果源域和目標(biāo)域之間數(shù)據(jù)分布差別太大、相似度不夠，遷移學(xué)習(xí)效果會很不理想。當(dāng)源域與目標(biāo)域相關(guān)度較小或互不相關(guān)時，遷移學(xué)習(xí)可能失敗，甚至表現(xiàn)為負(fù)遷移。域適應(yīng)方法在一定程度上可以解決這個問題，它的基本思想是保證域差異最小，具體方法都是改進(jìn)損失函數(shù)，或者在損失函數(shù)上添加一些約束項，或者對分類器的算法進(jìn)行改進(jìn)。

本文通過改進(jìn)分類器算法和訓(xùn)練方法解決域適應(yīng)問題，使用與古代壁畫沒有相關(guān)性的CIFAR10 數(shù)據(jù)集［9］作為源域，在古代壁畫目標(biāo)域上進(jìn)行遷移學(xué)習(xí)。

1.2 注意力機(jī)制

注意力機(jī)制（attention mechanism）是神經(jīng)網(wǎng)絡(luò)研究中的一個非常重要的研究領(lǐng)域，已經(jīng)被廣泛地應(yīng)用在自然語言處理、統(tǒng)計學(xué)習(xí)語音識別和計算機(jī)視覺等人工智能相關(guān)領(lǐng)域［14］。

Bahdanau 等［15］首次將注意力機(jī)制應(yīng)用到機(jī)器翻譯的任務(wù)中，實現(xiàn)了翻譯和對齊同時進(jìn)行，解決了語句長度不同的問題。Vaswani 等［16］提出了以自注意力為基本單元的Transformer 模型，使得注意力機(jī)制得到真正的成功運用。此后，學(xué)者們 提出了Non-local neural network［17］、Triplet Attention［18］和cosFormer Attention［19］等注意力機(jī)制。

沒有注意力機(jī)制的CNN 一般對圖像的所有信息都要處理，無法對重要的信息進(jìn)行選擇，缺乏辨別學(xué)習(xí)的能力，并且不會重點注意圖像中的關(guān)鍵信息。

網(wǎng)絡(luò)模型需要提取壁畫的紋理、細(xì)節(jié)特征，也要提取壁畫的輪廓、形狀特征，壁畫的細(xì)節(jié)特征、紋理等表現(xiàn)在網(wǎng)絡(luò)模型的通道上，而壁畫的輪廓形狀等全局特征表現(xiàn)在網(wǎng)絡(luò)模型的空間通道上，因此在卷積網(wǎng)絡(luò)中加入通道空間的極化自注意力（POlarized Self-Attention，POSA）模塊［20］，如圖1 所示。POSA模塊在通道和空間注意力計算中具有較高的內(nèi)部分辨率。

圖1 POSA模塊的結(jié)構(gòu)Fig.1 Structure of POSA module

2 網(wǎng)絡(luò)結(jié)構(gòu)模型

2.1 基于注意力機(jī)制的改進(jìn)的ResNet網(wǎng)絡(luò)模型

標(biāo)準(zhǔn)的ResNet 中，對于特征圖大小不一致的殘差連接使用1×1 卷積核（步長為2）進(jìn)行卷積計算，顯然輸入特征圖像的一半像素沒有卷積計算，這樣會丟失一些圖像特征信息。本文用3×3 卷積核（步長為2）進(jìn)行卷積計算的殘差連接方式代替，如圖2 所示。

設(shè)輸入向量為yl-1，殘差塊輸出向量為yl，關(guān)系可表示為：

其中：函數(shù)F(·)表示的是圖2 殘差連接⊕前的兩個卷積運算、批歸一 化（Batch Normalization，BN）運算和ReLU（Rectified Linear Unit）激活函數(shù)運算。

因為敦煌壁畫的樣本數(shù)較少，不適用于深度和寬度比較大的網(wǎng)絡(luò)模型，否則很容易產(chǎn)生過擬合，致使分類性能不足，所以使用參數(shù)量較少的小網(wǎng)絡(luò)模型，故選用ResNet20 作為網(wǎng)絡(luò)模型。本文在ResNet20 模型中引入POSA 模塊加強(qiáng)敦煌壁畫的邊緣關(guān)鍵信息特征抽取。一般地，在深度學(xué)習(xí)的分類任務(wù)中，淺層網(wǎng)絡(luò)提取的是圖像的細(xì)節(jié)特征，因此把POSA模塊插入網(wǎng)絡(luò)模型的淺層的卷積層中用來提取圖像的細(xì)節(jié)特征；而網(wǎng)絡(luò)模型深層的卷積層提取的是具有概括性、全局性的圖像數(shù)字特征信息。

本文的網(wǎng)絡(luò)模型在ResNet20［4］的淺層加POSA 機(jī)制，結(jié)構(gòu)如表1 所示。

表1 基于注意力機(jī)制的ResNet20結(jié)構(gòu)Tab.1 ResNet20 structure based on attention mechanism

2.2 改進(jìn)的遷移學(xué)習(xí)

數(shù)據(jù)增強(qiáng)方法可以增加訓(xùn)練數(shù)據(jù)集的樣本數(shù)，然而有些數(shù)據(jù)增強(qiáng)方法可能使得某些訓(xùn)練集和測試集數(shù)據(jù)的概率分布產(chǎn)生比較大偏差，致使網(wǎng)絡(luò)模型分類性能下降，因此本文的網(wǎng)絡(luò)模型訓(xùn)練不使用數(shù)據(jù)增強(qiáng)技術(shù)。

通常使用基于模型微調(diào)的遷移學(xué)習(xí)解決標(biāo)注數(shù)據(jù)嚴(yán)重不足問題，它的訓(xùn)練過程為：首先在大數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，訓(xùn)練完成后，對應(yīng)小樣本目標(biāo)數(shù)據(jù)任務(wù)，固定淺層的權(quán)重參數(shù)值，僅對深層的權(quán)重參數(shù)進(jìn)行訓(xùn)練。模型微調(diào)小樣本學(xué)習(xí)方法在訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集概率分布相差很小情況下，學(xué)習(xí)效果非常有效，當(dāng)二者數(shù)據(jù)概率分布相差較大時，則學(xué)習(xí)效果性能較低。

文獻(xiàn)［21］中提出了一種稱為Baseline++的基于模型微調(diào)的小樣本圖像分類方法，改進(jìn)的分類器算法更適合模型微調(diào)的遷移學(xué)習(xí)。

因為古代壁畫數(shù)量較少，相關(guān)的數(shù)據(jù)集幾乎沒有，使用模型微調(diào)的遷移學(xué)習(xí)方法學(xué)習(xí)性能必然很低，所以本文對預(yù)訓(xùn)練后的網(wǎng)絡(luò)模型的權(quán)重參數(shù)進(jìn)行全部再訓(xùn)練。在圖像分類任務(wù)中，在卷積層構(gòu)成的特征提取器后，把每個特征map平均池化為一個特征神經(jīng)元，然后使用Softmax 分類器把特征神經(jīng)元構(gòu)成的特征向量與線性層的權(quán)重矩陣作向量積，得到一個類別向量，再比較類別向量的標(biāo)量數(shù)值大小以預(yù)測樣本的類別。有大量訓(xùn)練數(shù)據(jù)集的前提下，Softmax 分類器方法可以充分訓(xùn)練到同類別的數(shù)字特征值，因此能獲得較好的分類效果；但是當(dāng)訓(xùn)練數(shù)據(jù)集是小樣本時，訓(xùn)練出來的不同類之間的特征向量的數(shù)字特征差異不明顯，故降低了網(wǎng)絡(luò)模型分類性能。

使用沒有相關(guān)性的CIFAR10 數(shù)據(jù)集作為預(yù)訓(xùn)練，遷移到任務(wù)目標(biāo)數(shù)據(jù)集上訓(xùn)練，僅僅微調(diào)網(wǎng)絡(luò)模型是無法獲得較好分類性能的，所以再對網(wǎng)絡(luò)模型的權(quán)重參數(shù)進(jìn)行訓(xùn)練更新。同時，為了適用目標(biāo)數(shù)據(jù)集的圖像分類任務(wù)，需要對分類器的算法進(jìn)行改進(jìn)。網(wǎng)絡(luò)模型特征提取器特征map 經(jīng)過BN 層和ReLU 激活函數(shù)計算后，再經(jīng)過平均池化輸出一個一維特征向量。由概率論與統(tǒng)計學(xué)的2σ法則可知，一維向量中的數(shù)據(jù)95.44%的概率在［0，2），為了增加特征向量數(shù)據(jù)間的差異性，本文對分類器的特征向量作線性映射，把特征向量中的數(shù)據(jù)的值映射到［0，3］上。設(shè)特征向量元素最大值為xmax，最小值為xmin，特征向量的任一數(shù)據(jù)值為x，關(guān)系可表示為：

為了增加不同類之間的特征值的差異性，對線性層的分類層的每個神經(jīng)元數(shù)值的概率分布進(jìn)行正態(tài)分布的標(biāo)準(zhǔn)化處理，線性變換后的表達(dá)式表示為：

其中：μ是輸出層神經(jīng)元的均值，σ是輸出層神經(jīng)元的方差。

3 網(wǎng)絡(luò)參數(shù)設(shè)置

3.1 實驗數(shù)據(jù)集

實驗數(shù)據(jù)集是敦煌壁畫圖像數(shù)據(jù)集（DH1926），出自《中國敦煌壁畫全集》電子資源畫冊。壁畫的朝代分別是北魏、北周、隋代、唐朝、五代和西魏這6 個不同的朝代時期，總共有1 926 張壁畫圖像，各朝代壁畫示例如圖3 所示。

圖3 敦煌古壁畫各朝代圖像示例Fig.3 Examples of images of ancient murals from Dunhuang in different dynasties

本文網(wǎng)絡(luò)模型沒有對訓(xùn)練集作數(shù)據(jù)增強(qiáng)處理。從每個朝代的壁畫隨機(jī)抽取128 個作為測試數(shù)據(jù)集、剩余部分為訓(xùn)練集，這樣訓(xùn)練集有1 158 個樣本、測試集有768 個樣本，每個朝代的壁畫訓(xùn)練集、測試集和壁畫總數(shù)如表2 所示。

表2 DH1926數(shù)據(jù)集中的各朝代圖像數(shù)量Tab.2 Numbers of images in different dynasties in DH1926 dataset

3.2 學(xué)習(xí)率和訓(xùn)練輪次

在預(yù)訓(xùn)練階段，用CIFAR10 數(shù)據(jù)集作為源域數(shù)據(jù)集，它的訓(xùn)練集有50 000 個彩色圖片，測試集有10 000 個，網(wǎng)絡(luò)模型訓(xùn)練的batchsize 設(shè)置為128，訓(xùn)練200 輪。

學(xué)習(xí)率是卷積神經(jīng)網(wǎng)絡(luò)的最重要的超參數(shù)，對網(wǎng)絡(luò)的收斂速度和性能有重要的作用。在預(yù)訓(xùn)練階段和目標(biāo)域訓(xùn)練的遷移學(xué)習(xí)階段，學(xué)習(xí)率的衰減方法都采用余弦退火衰減下降法［22］。余弦函數(shù)中隨著訓(xùn)練輪次和迭代次數(shù)的增加，學(xué)習(xí)率首先緩慢下降，然后加速下降，再次緩慢下降，這種下降模式可以使神經(jīng)網(wǎng)絡(luò)產(chǎn)生很好的學(xué)習(xí)效果。本文實驗最后一輪的最后一次迭代的學(xué)習(xí)率降為0。其關(guān)系可表示為：

其中：ηmax是神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練學(xué)習(xí)的初始學(xué)習(xí)率，也是實驗的最大學(xué)習(xí)率；ηmin是神經(jīng)網(wǎng)絡(luò)衰減到最小的學(xué)習(xí)率，設(shè)置ηmin=0；Tmax=200 是總共訓(xùn)練的輪次數(shù)；Tcur為當(dāng)前正在訓(xùn)練的輪次數(shù)；iters為訓(xùn)練一輪的迭代次數(shù)；iter為當(dāng)前訓(xùn)練輪次的當(dāng)前迭代數(shù)。實驗的學(xué)習(xí)率衰減如圖4 所示。

圖4 使用余弦衰減法的學(xué)習(xí)率Fig.4 Learning rate with cosine decay method

在預(yù)訓(xùn)練階段，初始學(xué)習(xí)率設(shè)置為0.1；在目標(biāo)域訓(xùn)練的遷移學(xué)習(xí)階段，初始學(xué)習(xí)率設(shè)置為0.005，網(wǎng)絡(luò)模型訓(xùn)練的batchsize 設(shè)置為16，訓(xùn)練200 輪。

3.3 網(wǎng)絡(luò)的初始化

深度CNN 優(yōu)化是一個非常復(fù)雜的非線性模型，網(wǎng)絡(luò)的初始化直接影響模型的收斂和模型訓(xùn)練的準(zhǔn)確率。初始化是CNN 的基礎(chǔ)研究，Kaiming 初始化［23］是CNN 最常用的初始化方法，近兩年出現(xiàn)新的研究方向，如通過算法尋找初始化值的GradInit［24］和通過縮放因子進(jìn)行初始化的SkipInit［25］。

本文網(wǎng)絡(luò)模型根據(jù)文獻(xiàn)［26］中的CNN 收斂的必要性條件和卷積核的初始化公式進(jìn)行初始化，卷積核按照式（5）初始化：

其中：wl表示神經(jīng)網(wǎng)絡(luò)第l層的卷積核權(quán)重參數(shù)；nl=cl×kl2，cl是神經(jīng)網(wǎng)絡(luò)第l層的輸出通道數(shù)，kl是神經(jīng)網(wǎng)絡(luò)第l層卷積核的維數(shù)。第l層的卷積核按照式（5）作均值為0 方差為3.0/nl的隨機(jī)高斯分布初始化，同時把偏置值（bias）初始化為0。

在目標(biāo)域訓(xùn)練的遷移學(xué)習(xí)階段，初始學(xué)習(xí)率設(shè)置為0.005，對網(wǎng)絡(luò)模型的線性分類器按照式（6）初始化：

其中：w表示線性分類器的權(quán)重參數(shù)；m是線性分類器的輸出通道數(shù)。

3.4 損失函數(shù)

在深度學(xué)習(xí)中，損失函數(shù)至關(guān)重要，通過最小化損失函數(shù)使模型達(dá)到收斂狀態(tài)，減小模型預(yù)測值的誤差。本文實驗的神經(jīng)網(wǎng)絡(luò)使用的交叉熵?fù)p失（Cross-entropy Loss）函數(shù)，又稱為對數(shù)似然損失（Log-likelihood Loss）函數(shù)，是神經(jīng)網(wǎng)絡(luò)的多分類損失函數(shù)，可以表示為：

其中：p(xi)表示真實標(biāo)記的分布，q(xi)為訓(xùn)練后的模型的預(yù)測標(biāo)記分布。交叉熵?fù)p失函數(shù)可以衡量p(xi)與q(xi)的相似性。

PyTorch 的交叉熵?fù)p失函數(shù)加上了Softmax 函數(shù)，關(guān)系表達(dá)式如式（8）所示：

其中：x表示CNN 輸出層的輸出分類向量，class表示分類的類別。

3.5 網(wǎng)絡(luò)優(yōu)化器設(shè)置

CNN 的優(yōu)化器Adam 算法［27］是目前公認(rèn)的優(yōu)秀自適應(yīng)學(xué)習(xí)優(yōu)化器之一，它不僅考慮了一階動量更新，還考慮了二階動量，收斂速度非?？?；但是在壁畫樣本數(shù)較少的圖像分類中，本文使用基礎(chǔ)的優(yōu)化方法隨機(jī)梯度下降（Stochastic Gradient Descent，SGD）優(yōu)化器。實驗結(jié)果顯示，SGD 優(yōu)化器泛化能力強(qiáng)，有一定的防過擬合能力，分類準(zhǔn)確率更高，同時設(shè)置SGD 優(yōu)化器的momentum 為0.9，神經(jīng)網(wǎng)絡(luò)的激活函數(shù)采用ReLU 函數(shù)。

3.6 遷移學(xué)習(xí)訓(xùn)練方法

網(wǎng)絡(luò)模型的訓(xùn)練過程如下。首先，在CIFAR10 數(shù)據(jù)集上對網(wǎng)絡(luò)模型進(jìn)行飽和預(yù)訓(xùn)練，即訓(xùn)練數(shù)據(jù)集的包含的信息量要大于網(wǎng)絡(luò)模型的參數(shù)所能學(xué)到的信息量，這樣把網(wǎng)絡(luò)模型的參數(shù)接近最優(yōu)化狀態(tài)；然后，在任務(wù)目標(biāo)數(shù)據(jù)集上，用改進(jìn)的分類器算法（式（2）（3））代替原先的標(biāo)準(zhǔn)線性分類器算法，對網(wǎng)絡(luò)模型的所有參數(shù)再進(jìn)行訓(xùn)練更新，對改進(jìn)的分類器按照式（6）初始化。

3.7 實驗環(huán)境

實驗使用深度學(xué)習(xí)框架PyTorch 1.3 版本，Linux 的Ubuntu 版本20.0 操作系統(tǒng)，Python3.7 作為神經(jīng)網(wǎng)絡(luò)編程語言，實驗使用的GPU 是NVIDIA GTX 1070ti GPU。

4 實驗與結(jié)果分析

4.1 與其他模型結(jié)果對比分析

為了驗證本文提出的基于注意力機(jī)制和遷移學(xué)習(xí)的網(wǎng)絡(luò)模型在古壁畫朝代識別分類中的性能和有效性，與文獻(xiàn)［2，5-7］算法的預(yù)測準(zhǔn)確率進(jìn)行對比，結(jié)果見表3。

表3 不同網(wǎng)絡(luò)模型的實驗結(jié)果對比Tab.3 Comparison of experimental results of different network models

文獻(xiàn)［2，5，7］把數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集，也就是分別把數(shù)據(jù)集分為970 張圖片的訓(xùn)練集、160 張圖片的驗證集和254 張圖片的測試集，其中160 張驗證集圖片在模型訓(xùn)練中檢驗?zāi)Ｐ偷臓顟B(tài)和收斂情況。由表3 可以看到，其他對比文獻(xiàn)用于古壁畫朝代識別的網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)集樣本數(shù)遠(yuǎn)大于本文網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)集樣本數(shù)，然而分類準(zhǔn)確率卻遠(yuǎn)低于本文網(wǎng)絡(luò)模型的分類準(zhǔn)確率。文獻(xiàn)［7］中采用標(biāo)準(zhǔn)的ResNet50 網(wǎng)絡(luò)模型對古代壁畫進(jìn)行朝代分類，網(wǎng)絡(luò)模型的寬度和深度都遠(yuǎn)大于本文網(wǎng)絡(luò)模型的寬度和深度，但是其朝代分類準(zhǔn)確率比較低，原因可能如下：一是網(wǎng)絡(luò)模型對圖像特征提取能力不足；二是過大的網(wǎng)絡(luò)模型造成了過擬合。文獻(xiàn)［6］中采用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)充了訓(xùn)練數(shù)據(jù)集，然而準(zhǔn)確率較低，有可能是采用的數(shù)據(jù)增強(qiáng)技術(shù)使得訓(xùn)練集和測試集數(shù)據(jù)的概率分布差異變大，從而降低了識別準(zhǔn)確率。

4.2 改進(jìn)的分類器性能對比分析

在訓(xùn)練方法一致的前提下，將本文改進(jìn)的分類器、基本的分類器Baseline 和Baseline++小樣本遷移學(xué)習(xí)分類器［21］進(jìn)行性能對比實驗，實驗結(jié)果如表4 所示。

表4 分類器性能對比分析Tab.4 Comparative analysis of classifier performance

由表4 可以看出，本文的分類器在敦煌古代壁畫的分類效果優(yōu)于Baseline++小樣本遷移學(xué)習(xí)分類器。本文實驗中的Baseline++分類器性能低于基本的分類器性能的可能原因是Baseline++分類器是基于微調(diào)的遷移學(xué)習(xí)，而本文的遷移學(xué)習(xí)的源域和目標(biāo)域幾乎不相關(guān)，因此使用基于模型微調(diào)的Baseline++出現(xiàn)負(fù)遷移現(xiàn)象。

4.3 不同訓(xùn)練樣本數(shù)對比分析

為進(jìn)一步驗證基于注意力機(jī)制和遷移學(xué)習(xí)的ResNet 的學(xué)習(xí)能力，分別隨機(jī)抽取總樣本數(shù)的50.1%、60.1% 和80.1%作為訓(xùn)練集，剩余樣本作為測試集，實驗結(jié)果如表5所示。

表5 不同樣本數(shù)的訓(xùn)練集和測試集的測試準(zhǔn)確率對比Tab.5 Comparison of test accuracy on training sets and testing sets with different sample sizes

由表5 可以看出，基于注意力機(jī)制和遷移學(xué)習(xí)的殘差網(wǎng)絡(luò)對訓(xùn)練集的樣本數(shù)并不敏感，即使訓(xùn)練集的樣本數(shù)相差較大，測試準(zhǔn)確率也只相差1 個百分點左右，說明本文網(wǎng)絡(luò)模型具有較強(qiáng)的學(xué)習(xí)能力，可以通過少量的數(shù)據(jù)集獲得古代壁畫朝代分類識別的能力。

4.4 優(yōu)化器對比分析

本文對優(yōu)化器Adam 和SGD 作了實驗對比，如圖5 所示，雖然兩個優(yōu)化器的損失函數(shù)值在訓(xùn)練200 輪次后非常接近，但是網(wǎng)絡(luò)模型使用優(yōu)化器Adam 的測試準(zhǔn)確率為95.23%，使用優(yōu)化器SGD 的測試準(zhǔn)確率為98.05%，可見優(yōu)化器SGD 在圖像分類方面泛化能力更強(qiáng)，分類準(zhǔn)確率更高。

圖5 優(yōu)化器SGD和Adam的損失值和測試準(zhǔn)確率對比Fig.5 Comparison of loss value and test accuracy between optimizer SGD and Adam

4.5 POSA極化自注意力模塊的性能分析

為了驗證POSA 模塊在古壁畫朝代分類識別網(wǎng)絡(luò)模型中所起的作用和性能，本文對POSA 模塊作消融實驗，該實驗沒有進(jìn)行遷移學(xué)習(xí)預(yù)訓(xùn)練，實驗結(jié)果如表6 所示。

表6 POSA模塊的性能分析Tab.6 Performance analysis of POSA module

由表6 可以看出，在ResNet20 模型的淺層引入POSA 模塊使古壁畫分類準(zhǔn)確率提高了3.16 個百分點，表明POSA 模塊對古壁畫的分類性能有所提升。在此基礎(chǔ)上再進(jìn)行遷移學(xué)習(xí)，由表4 可知有98.05%的朝代分類準(zhǔn)確率，與標(biāo)準(zhǔn)的ResNet20 網(wǎng)絡(luò)模型相比，朝代識別準(zhǔn)確率提高了5.21 個百分點。

5 結(jié)語

遷移學(xué)習(xí)對圖像分類具有很重要的研究價值和學(xué)術(shù)意義，本文提出了一種基于注意力機(jī)制和遷移學(xué)習(xí)的殘差網(wǎng)絡(luò)模型對莫高窟古代壁畫朝代進(jìn)行識別分類。首先，改進(jìn)了ResNet 的殘差連接方式，可以把淺層的信息無損地送入深層；其次，把用于圖像分割的POSA 模塊放到ResNet 的淺層中，有效地獲取圖片邊緣信息，故有較強(qiáng)的圖像特征抽取能力；然后，采用遷移學(xué)習(xí)方法，在CIFAR10 數(shù)據(jù)集上進(jìn)行了飽和預(yù)訓(xùn)練；最后，改進(jìn)了分類器算法，加大不同類之間數(shù)據(jù)分布的差異性，從而提高了網(wǎng)絡(luò)模型的分類能力。通過實驗對比分析，本文的網(wǎng)絡(luò)模型展現(xiàn)了良好的性能，測試準(zhǔn)確率高于其他網(wǎng)絡(luò)模型10 個百分點，表明了網(wǎng)絡(luò)模型的有效性和可行性。

在今后的工作中，研究的重點將考慮遷移學(xué)習(xí)的域泛化（Domain Generalization，DG）學(xué)習(xí)方法，使得在小數(shù)據(jù)集上進(jìn)行目標(biāo)域訓(xùn)練的網(wǎng)絡(luò)模型可以更深更寬，測試準(zhǔn)確率更高。