轻量化卷积神经网络在船舶分类中的应用
摘要
为权衡船舶分类模型的分类精度和模型大小，提出一种改进GhostNet-50的轻量化卷积神经网络AGNet对自制的船舶数据集进行分类。首先，提出一种融合非对称卷积的Ghost模块，用于提升AGNet卷积过程的特征提取能力；然后，结合瓶颈结构，设计一种非对称Ghost瓶颈模块，在维持模型表达能力的同时能进一步降低计算成本；最后，去除GhostNet-50中的一层1×1卷积，以降低整体模型的参数冗余。实验通过分类精度、参数量、计算量、推理速度等评价指标对所提方法进行多角度对比。实验结果中，AGNet模型在33个类别的测试集中精度达到了93.87%，模型参数量仅为0.72×106，相比GhostNet-50压缩了46.67%，且精度提升了2.93个百分点。实验结果表明：AGNet在较低模型大小的前提下能达到更优的分类效果，可较好应用到船舶分类任务中。
引用本文（GB/T 7714）
王文亮 Wang Wenliang, 杨晓迪 Yang Xiaodi, 张博雅 Zhang Boya, 等. 轻量化卷积神经网络在船舶分类中的应用[J]. Laser & Optoelectronics Progress, 2023.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。