يمكن لـ VGGNet توفير تصنيف دقيق للغاية لصور المريخ، لكنه يحتاج إلى استهلاك هائل لموارد الذاكرة. بالنظر إلى محدودية ذاكرة الحاسوب المحمّل على الجهاز، لحل هذه المشكلة، تقترح هذه الورقة طريقة تصنيف صور المريخ المبنية على VGGNet مع تقليم تكراري. أولاً، يتم تدريب اتصال الشبكة باستخدام التعلم بالنقل لتقييم أهمية الخلايا العصبية؛ ثانياً، يتم تقليم الخلايا العصبية غير المهمة باستخدام طريقة التقليم التكراري لتقليل عدد معلمات الطبقة الموصولة بالكامل واستهلاك الذاكرة؛ وأخيراً، تستخدم مجموعة K-means++ لتكميم معلمات الأوزان، ويتم ضغط معلمات أوزان VGGNet بعد التقليم والتكميم باستخدام ترميز هوفمان، لتحقيق تقليل في حجم التخزين وعدد عمليات النقطة العائمة. بالإضافة إلى ذلك، تم توسيع البيانات باستخدام خمس طرق لتعزيز البيانات لحل مشكلة عدم توازن الفئات. أظهرت النتائج التجريبية أن النموذج المضغوط من VGGNet يشغل ذاكرة بمقدار 62.63 ميجابايت، وFlops بمقدار 150.6 مليون عملية، ودقة تبلغ 96.15%. مقارنة بخوارزميات تصنيف الصور خفيفة الوزن مثل ShuffleNet وMobileNet وEfficientNet، النموذج المقترح يقدم أداء أفضل.

تصنيف الصور; الشبكات العصبية التلافيفية; الطرق التكرارية; خوارزمية التجميع; VGGNet