文献类型：期刊文章

作　　者：邹月娴[1] 余嘉胜[1] 陈泽晗[1] 陈锦[1] 王毅[1]

ZOU Yue-xian;YU Jia-sheng;CHEN Ze-han;CHEN Jin;WANG Yi(ADSPLAB/ELIP, School of Electronic and Computer Engineering, Peking University, Shenzhen Guangdong 518055, China)

机构地区：[1]北京大学信息工程学院现代信号与数据处理实验室,广东深圳518055

出　　处：《控制理论与应用》

基　　金：Supported by Shenzhen Science&Technology Fundamental Research Program(JCYJ20150430162332418)

年　　份：2017

卷　　号：34

期　　号：6

起止页码：746-752

语　　种：中文

收录情况：BDHX、BDHX2014、CAS、CSCD、CSCD2017_2018、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：深度卷积神经网络(convolutional neural networks,CNN)作为特征提取器(feature extractor,CNN-FE)已被广泛应用于许多领域并获得显著成功.根据研究评测可知CNN-FE具有大量参数,这大大限制了CNN-FE在如智能手机这样的内存有限的设备上的应用.本文以AlexNet卷积神经网络特征提取器为研究对象,面向图像分类问题,在保持图像分类性能几乎不变的情况下减少CNN-FE模型参数量.通过对AlexNet各层参数分布的详细分析,作者发现其全连接层包含了大约99%的模型参数,在图像分类类别较少的情况,AlexNet提取的特征存在冗余.因此,将CNN-FE模型压缩问题转化为深度特征选择问题,联合考虑分类准确率和压缩率,本文提出了一种新的基于互信息量的特征选择方法,实现CNN-FE模型压缩.在公开场景分类数据库以及自建的无线胶囊内窥镜(wireless capsule endoscope,WCE)气泡图片数据库上进行图像分类实验.结果表明本文提出的CNN-FE模型压缩方法减少了约83%的AlexNet模型参数且其分类准确率几乎保持不变.

关 键 词：卷积神经网络 图像分类 特征提取 特征选择  模型压缩  

分 类 号：TP183] TP391.41]