图像分类卷积神经网络的特征选择模型压缩方法

摘要：

深度卷积神经网络(convolutional neural networks,CNN)作为特征提取器(feature extractor,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(wireless capsule endoscope,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.

关键词：卷积神经网络、图像分类、特征提取、特征选择、模型压缩

所属期刊栏目：34

分类号：TN912.35

资助基金：Shenzhen Science&Technology Fundamental Research Program JCYJ20150430162332418

在线出版日期：2017-10-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：746-752