来源：期刊VIP网 时间：
作者：雷孟昭;罗婷;吴军明;余子文;李建闽;
单位：景德镇陶瓷大学考古文博学院;布里斯托大学工程数学与技术学院;湖南师范大学工程与设计学院;
摘要：为缓解古代陶瓷器物样本稀缺对深度学习断代识别模型性能的制约，本文以129组古匣具为研究对象，提出一种基于数据增强和迁移学习的古匣具断代识别方法。首先，选取《中国古陶瓷与多元统计分析》和《中国科学技术史·陶瓷卷》中不同时期陶瓷的化学成分数据，构建580组古陶瓷数据集。随后，设计模拟仪器测量误差的扰动算法，对训练集进行数据增强。接着利用增强后的数据对卷积神经网络进行预训练，提取与化学组成相关的深层特征。最后将预训练模型迁移至古匣具断代识别任务中，通过微调实现模型对新任务的适应。实验结果表明，本方法的最高分类准确率达到96.15%，相比未采用迁移学习与数据增强策略的模型，准确率提升超过10%。
关键词：古匣具;;断代识别;;数据增强;;迁移学习;;卷积神经网络
基金资助：国家重点研发计划（2023YFF0905800）;; 景德镇市重点科技计划（2023SF001）;; 江西省研究生创新专项资金项目（YC2024-S768）
