VGGNet puede proporcionar una clasificación de imágenes de Marte de alta precisión, pero requiere consumir una gran cantidad de recursos de memoria. Dada la limitación de memoria en la computadora embarcada, para resolver este conflicto, este artículo propone un método de clasificación de imágenes de Marte basado en VGGNet con poda iterativa. Primero, se entrena la conectividad de la red mediante aprendizaje por transferencia para evaluar la importancia de las neuronas; en segundo lugar, mediante el método de poda iterativa se recortan las neuronas no importantes para reducir la cantidad de parámetros de la capa totalmente conectada y el uso de memoria; finalmente, se realiza la cuantificación de los parámetros de peso utilizando clustering K-means++, y los parámetros de peso de VGGNet después de la poda y cuantificación se comprimen mediante codificación Huffman, logrando así reducir el almacenamiento y las operaciones de punto flotante. Además, se utilizan cinco métodos de aumento de datos para ampliar los datos con el fin de resolver el problema del desequilibrio de clases. Los resultados experimentales muestran que el modelo VGGNet comprimido requiere 62,63 Mb de memoria, 150,6 MFlops y alcanza una precisión del 96,15%. En comparación con algoritmos de clasificación de imágenes ligeros como ShuffleNet, MobileNet y EfficientNet, el modelo propuesto ofrece un mejor rendimiento.

clasificación de imágenes; red neuronal convolucional; método iterativo; algoritmo de agrupamiento; VGGNet