VGGNet은 높은 정확도의 화성 이미지 분류를 제공할 수 있지만, 많은 메모리 자원을 소비합니다. 탑재 컴퓨터의 메모리 자원이 제한되어 있어 이 모순을 해결하기 위해 본 논문에서는 반복 가지치기 기반 VGGNet 화성 이미지 분류 방법을 제안합니다. 먼저, 전이 학습을 사용하여 네트워크의 연결성을 학습하여 뉴런의 중요성을 평가합니다; 다음으로, 반복 가지치기 방법으로 중요하지 않은 뉴런을 가지치기하여 완전 연결 계층의 매개변수 수와 메모리 사용량을 줄입니다; 마지막으로, K-means++ 클러스터링을 통해 가중치 매개변수의 양자화를 수행하고, 허프만 코딩을 이용해 반복 가지치기 및 양자화된 VGGNet 가중치 매개변수를 압축하여 저장 용량과 부동 소수점 연산량을 감소시킵니다. 또한, 클래스 불균형 문제를 해결하기 위해 5가지 데이터 증강 방법을 사용하여 데이터를 확장했습니다. 실험 결과, 압축된 VGGNet 모델은 62.63MB 메모리, 150.6MFlops 및 96.15%의 정확도를 보였습니다. ShuffleNet, MobileNet, EfficientNet 등 경량 이미지 분류 알고리즘과 비교했을 때, 제안된 모델이 더 좋은 성능을 나타냈습니다.

이미지 분류; 합성곱 신경망; 반복 방법; 군집 알고리즘; VGGNet