主干网络也叫骨干网络是深度学习模型图像分类、检测、分割、识别等里负责提取图像基础特征的核心基础网络。把原图转换成包含轮廓、纹理、边缘、色块的特征图下游任务检测框、分割掩码、分类结果全都依赖它输出的特征。把整个模型比作工厂流水线 主干网络Backbone原料加工车间把原图原材料提炼出通用特征半成品 颈部网络Neck可选特征融合车间把多层特征整合优化 头部网络Head成品车间用加工好的特征输出最终结果框、类别、像素掩码。常见经典主干网络传统 CNN图像分类 / 检测通用 VGG结构简单堆叠卷积参数量大精度稳定 ResNet残差网络最常用解决深层网络梯度消失ResNet18/34/50/101 是工业标配 ResNeXtResNet 升级版分组卷积精度更高 MobileNet轻量化主干深度可分离卷积手机、嵌入式设备专用 ShuffleNet超轻量算力极低设备使用 EfficientNet均衡缩放网络宽度、深度、分辨率兼顾速度精度2.Transformer 类主干近年 SOTA ViT纯视觉 Transformer 主干大数据集精度极高 Swin Transformer窗口 Transformer检测 / 分割任务主流高性能骨干3.服务器 / 高算力ResNet50、Swin Transformer、EfficientNet-L高精度嵌入式 / 移动端MobileNetV3、ShuffleNet、轻量版 CSPDarknet低延迟小数据集优先 ResNet不易过拟合大数据集可用 ViT/Swin预测岩石力学参数小样本适合那些主干网络TabNet / TabPFN表格数据小样本 SOTA几十组测井参数预测黏聚力、内摩擦角、抗压强度最优地质顶刊主流方案一维轻量 ResNet1D一维时序骨干处理连续测井曲线层理特征简单 MLP基线样本 50 组极端小样本复杂网络反而不如浅层全连接。缝合模块也叫特征缝合单元 / 模型缝合层是深度学习里用来拼接、对齐、融合两类不兼容特征 / 网络分支的轻量化过渡模块核心作用是消除维度、尺度、模态、网络架构之间的信息断层让两路特征能顺畅融合训练。特征重加权模块网络主干输出一堆特征图里面有有效信息孔隙、裂隙、颗粒边界和无用噪声背景、均匀基质、拍摄杂点。 特征重加权就是给每一处特征自动分配 01 的权重对预测岩石力学参数有用的特征乘大权重、放大无关、干扰特征乘小权重、抑制。加权之后再送入后续网络计算减少无效信息干扰。它是一种通用运算逻辑不是特指某一种网络结构。
