作者：邹月娴; 余嘉胜; 陈泽晗; 陈锦;卷积神经网络图像分类特征提取特征选择模型压缩
摘要：深度卷积神经网络(convolutionalneuralnetworks,CNN)作为特征提取器(featureextractor,CNN--FE)已被广泛应用于许多领域并获得显著成功.根据研究评测可知CNN--FE具有大量参数,这大大限制了CNN--FE在如智能手机这样的内存有限的设备上的应用.本文以AlexNet卷积神经网络特征提取器为研究对象,面向图像分类问题,在保持图像分类性能几乎不变的情况下减少CNN--FE模型参数量.通过对AlexNet各层参数分布的详细分析,作者发现其全连接层包含了大约99%的模型参数,在图像分类类别较少的情况,AlexNet提取的特征存在冗余.因此,将CNN--FE模型压缩问题转化为深度特征选择问题,联合考虑分类准确率和压缩率,本文提出了一种新的基于互信息量的特征选择方法,实现CNN--FE模型压缩.在公开场景分类数据库以及自建的无线胶囊内窥镜(wirelesscapsuleendoscope,WCE)气泡图片数据库上进行图像分类实验.结果表明本文提出的CNN--FE模型压缩方法减少了约83%的AlexNet模型参数且其分类准确率几乎保持不变.
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
