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 ResNeXt：ResNet 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 0～1 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。