1 武汉科技大学 信息科学与工程学院，湖北 武汉 430081
2 湖南大学 信息科学与工程学院，湖南 长沙 410082
3 北京航空航天大学 仪器科学与光电工程学院，北京 100191
VGGNet能提供高精度的火星图像分类，但需消耗大量内存资源。鉴于器载计算机内存资源有限，为解决这一矛盾，本文提出了基于迭代剪枝VGGNet的火星图像分类方法。首先，采用迁移学习训练网络的连通性，以便评估神经元的重要性；其次，通过迭代剪枝方法修剪不重要的神经元，以便将全连接层的参数量和内存占用量减少；最后，采用K-means++聚类实现权重参数的量化，利用霍夫曼编码压缩迭代剪枝与量化后的VGGNet权重参数，达到减少存储量和浮点数运算量的作用。此外，通过5种数据增强方法进行数据扩充，目的是解决类别不平衡的问题。实验结果表明，压缩后的VGGNet模型的所占内存、Flops和准确率分别为62.63 Mb、150.6 MFlops和96.15%。与ShuffleNet、MobileNet和EfficientNet等轻量级图像分类算法相比，所提模型具有更好的性能。
图像分类 卷积神经网络 迭代方法 聚类算法 VGGNet image classification convolutional neural networks iterative methods clustering algorithms VGGNet
1 阳光学院 人工智能学院, 福建 福州350015
2 空间数据挖掘与应用福建省高校工程研究中心, 福建 福州350015
为优化视频配准工作中的静态图像配准算法, 本文应用深度学习的卷积神经网络VGGNet设计了一个静态图像配准算法。通过仿真实验结果可知, VGGNet能够被很好地应用于静态图像配准工作中; 结合均方根误差和Nred结果可知, 基于Conv5、FC1或者FC2输出特征的静态图像配准算法具有良好的性能, 基于FC2的配准算法性能最好, 其均方根误差值为0.031 22, Nred值为74。通过视频缩放和亮度转换后, 静态图像配准算法的性能有所下降, 在亮度变换后基于FC2输出特征的配准算法性能较高。与传统HOG、LBP特征提取的图像配准算法相比, 本文算法具备较好的配准精度和正确率。研究结果可为当前基于深度学习卷积神经网络的静态图像配准算法提供参考。
视频 图像配准 深度学习 video image registration deep learning VGGNet VGGNet
