摘要
针对MnasNet网络在CIFAR—10等低分辨率图像数据集上识别率较低的问题,提出一种基于金字塔型的轻量化卷积瓶颈块取代原网络中的倒置残差瓶颈块,构建改进的MnasNet网络(PSMnasNet)。首先,基于图片的分辨率,调整部分瓶颈块的下采样;然后结合空间金字塔池化方法构建金字塔结构瓶颈(PSBottleneck)块;最后在金字塔型的轻量化卷积瓶颈块中引入超参数控制瓶颈块的空间复杂度和时间复杂度。在CINIC—10低分辨率图像数据集的实验结果表明:由金字塔型的轻量化卷积瓶颈块组成的PSMnasNet网络的参数量比原MnasNet网络减少约22.3%,而且网络的分类精度提高约13.3%。
Aiming at the problem of low recognition rate of MnasNet network on low-resolution image datasets,e. g. CIFAR—10,propose a lightweight convolutional bottleneck block based on pyramid structure for building a novel PSMnasNet network. Firstly,adjust the downsampling in some bottleneck blocks what based on the resolution of the image. Then,utilize the spatial pyramid pooling method to construct the pyramid structure bottleneck( PSBottleneck) block. Finally,hyperparametric beta is embedded into the PSBottleneck to control the spatial complexity and time complexity. The experimental results in the CINIC—10 dataset show that the PSMnasNet network consisting of the PSBottleneck has a parameter reduction of approximately 22. 3 % compared to the original MnasNet network. At the same time,the classification precicion of the network is increased by nearly 13. 3 %.
作者
杨国亮
朱晨
李放
吴志刚
YANG Guoliang;ZHU Chen;LI Fang;WU Zhigang(School of Electrical Engineering and Automation,Jiangxi University of Science and Technology,Ganzhou 341000,China)
出处
《传感器与微系统》
CSCD
北大核心
2021年第2期142-145,153,共5页
Transducer and Microsystem Technologies
基金
国家自然科学基金资助项目(51365017,61305019)
江西省研究生创新专项资金资助项目(YC2018-S328)。
关键词
轻量化卷积神经网络
图像分类
金字塔结构
低分辨率图像
lightweight convolutional neural network
images classification
pyramid structure
low-resolution images
作者简介
杨国亮(1973-),男,博士,教授,研究领域为模式识别与图像处理,智能控制;通讯作者:朱晨(1994-),男,硕士研究生,研究方向为深度学习,计算机视觉。
