O VGGNet pode fornecer uma classificação de imagens de Marte com alta precisão, mas consome muitos recursos de memória. Considerando os recursos limitados de memória do computador embarcado, para resolver esse conflito, este artigo propõe um método de classificação de imagens de Marte baseado no VGGNet com poda iterativa. Primeiro, usa-se aprendizado por transferência para treinar a conectividade da rede, a fim de avaliar a importância dos neurônios; em seguida, utiliza-se o método de poda iterativa para aparar neurônios não importantes, reduzindo a quantidade de parâmetros da camada totalmente conectada e o uso de memória; por fim, a quantização dos parâmetros de peso é realizada por clustering K-means++, e os parâmetros de peso do VGGNet após a poda e quantização são comprimidos usando codificação de Huffman, alcançando a redução do armazenamento e da quantidade de operações em ponto flutuante. Além disso, cinco métodos de aumento de dados são utilizados para expandir os dados, visando resolver o problema do desequilíbrio de classes. Os resultados experimentais mostram que o modelo VGGNet comprimido ocupa 62,63 Mb de memória, 150,6 MFlops e atinge uma precisão de 96,15%. Em comparação com algoritmos leves de classificação de imagens como ShuffleNet, MobileNet e EfficientNet, o modelo proposto apresenta melhor desempenho.

classificação de imagens; rede neural convolucional; método iterativo; algoritmo de agrupamento; VGGNet