VGGNet peut fournir une classification d’images martiennes très précise, mais cela nécessite une grande consommation de ressources mémoire. Étant donné les ressources mémoire limitées de l’ordinateur embarqué, cet article propose une méthode de classification d’images martiennes basée sur le VGGNet avec élagage itératif pour résoudre ce paradoxe. Tout d’abord, l’apprentissage par transfert est utilisé pour entraîner la connectivité du réseau afin d’évaluer l’importance des neurones ; ensuite, une méthode d’élagage itératif est utilisée pour supprimer les neurones peu importants, ce qui permet de réduire le nombre de paramètres et la consommation mémoire des couches entièrement connectées ; enfin, la quantification des paramètres de poids est réalisée par regroupement K-means++, et les paramètres de poids du VGGNet après élagage et quantification sont compressés via un codage de Huffman pour réduire la taille de stockage et le nombre d’opérations en virgule flottante. En outre, cinq méthodes d’augmentation des données sont utilisées pour étendre les données afin de résoudre le problème de déséquilibre des classes. Les résultats expérimentaux montrent que le modèle VGGNet compressé occupe 62,63 Mo de mémoire, 150,6 MFlops et atteint une précision de 96,15 %. Comparé aux algorithmes de classification d’images légers tels que ShuffleNet, MobileNet et EfficientNet, le modèle proposé offre de meilleures performances.

classification d’images; réseau neuronal convolutionnel; méthode itérative; algorithme de regroupement; VGGNet