VGGNet kann eine hochpräzise Marsbildklassifikation bieten, benötigt jedoch erhebliche Speicherressourcen. Angesichts der begrenzten Speicherkapazität an Bord wurde in dieser Arbeit eine Methode zur Marsbildklassifikation basierend auf iterativem Pruning von VGGNet vorgeschlagen, um diesen Konflikt zu lösen. Zunächst wird die Netzwerkverbindung mittels Transferlernen trainiert, um die Bedeutung der Neuronen zu bewerten; zweitens werden mittels iterativem Pruning unwichtige Neuronen beschnitten, um die Anzahl der Parameter und den Speicherverbrauch der voll verbundenen Schichten zu reduzieren; schließlich wird die Gewichtungsquantisierung durch K-means++-Clustering durchgeführt, und die Gewichtsparameter des VGGNet nach Pruning und Quantisierung werden mittels Huffman-Codierung komprimiert, um Speicherbedarf und Floating-Point-Operationen zu verringern. Zusätzlich werden fünf Datenaugmentationsmethoden verwendet, um die Daten zu erweitern und das Problem des Klassenungleichgewichts zu lösen. Die Experimentalergebnisse zeigen, dass das komprimierte VGGNet-Modell 62,63 MB Speicher, 150,6 MFlops und eine Genauigkeit von 96,15 % benötigt. Im Vergleich zu leichten Bildklassifikationsalgorithmen wie ShuffleNet, MobileNet und EfficientNet bietet das vorgeschlagene Modell eine bessere Leistung.

Bildklassifikation; konvolutionales neuronales Netzwerk; iteratives Verfahren; Clustering-Algorithmus; VGGNet