VGGNet обеспечивает высокую точность классификации изображений Марса, но требует большого объема памяти. Учитывая ограниченные ресурсы памяти встроенного компьютера, для решения этой проблемы в данной работе предлагается метод классификации изображений Марса на основе итеративного обрезания VGGNet. Во-первых, с помощью переноса обучения обучается связность сети для оценки важности нейронов; во-вторых, с помощью итеративного обрезания удаляются неважные нейроны, чтобы снизить количество параметров полносвязного слоя и использование памяти; наконец, с помощью кластеризации K-means++ выполняется квантизация весовых параметров, а весовые параметры VGGNet после обрезания и квантизации сжимаются кодированием Хаффмана для уменьшения объема хранения и количества операций с плавающей точкой. Кроме того, данные расширяются с помощью пяти методов увеличения данных с целью решения проблемы несбалансированных классов. Экспериментальные результаты показывают, что сжатая модель VGGNet занимает 62,63 МБ памяти, 150,6 МФлопс и достигает точности 96,15%. По сравнению с легковесными алгоритмами классификации изображений, такими как ShuffleNet, MobileNet и EfficientNet, предлагаемая модель демонстрирует лучшие результаты.

классификация изображений; сверточная нейронная сеть; итеративный метод; алгоритм кластеризации; VGGNet