VGGNetは高精度な火星画像分類を提供できますが、多大なメモリリソースを消費します。搭載コンピュータのメモリリソースに制限があることから、この矛盾を解決するために、本論文では反復剪定に基づくVGGNetの火星画像分類手法を提案します。まず、転移学習を用いてネットワークの接続性を学習し、ニューロンの重要性を評価します。次に、反復剪定手法により重要でないニューロンを剪定して全結合層のパラメータ数とメモリ使用量を削減します。最後に、K-means++クラスタリングを使用して重みパラメータの量子化を行い、ハフマン符号化で反復剪定および量子化後のVGGNet重みパラメータを圧縮し、格納量と浮動小数点演算量の削減を実現します。さらに、クラス不均衡問題を解決するために5種類のデータ拡張手法を用いてデータを拡充しました。実験結果から、圧縮後のVGGNetモデルは62.63Mbのメモリ、150.6MFlops、96.15%の精度を示しました。ShuffleNet、MobileNet、EfficientNetなどの軽量画像分類アルゴリズムと比較して、提案モデルはより良い性能を示しました。

画像分類;畳み込みニューラルネットワーク;反復手法;クラスタリングアルゴリズム;VGGNet