面向轻量化网络的改进双通道注意力机制图像分类方法
2021-11-12宋泰年秦伟伟梁卓王魁刘刚
宋泰年 秦伟伟 梁卓 王魁 刘刚



摘 要:为解决弹载终端环境下深度卷积神经网络模型体积较大、 运算硬件要求高的问题, 构建了一种基于改进双通道注意力机制的轻量化网络结构。 针对网络轻量化会牺牲分类准确率的问题, 以轻量化网络结构MobileNetV2为基准网络架构, 引入自主设计的注意力模块, 设计了基于SPP-DCAM模块的MobileNetV2网络架构, 使卷积层学习的显著特征图的权重增加, 以提升其分类准确率; 设计的空间信息与通道信息并联输入, 通过定义1×1和3×3的小卷积在保证结构轻量化的基础上减少了计算量和计算复杂度。 最后, 在cifar-100图像分类数据集进行实验对比。 结果表明: 相对于改进MobileNetV2, 在参数量和计算复杂度基本不变的基础上, 分类精度优于传统的VGG16, ResNet18和DenseNet卷积网络, 综合性能更强, 更适合弹载计算资源有限情况下的快速分类。
关键词: MobileNetV2; 注意力机制; 图像分类; 卷积神经网络; 轻量化网络; 人工智能
中图分类号: TJ760; TP183 文献标识码: A 文章编号: 1673-5048(2021)05-0081-05
0 引 言
近年来, 卷积神经网络发展迅猛, 取得了丰硕的成果。 在军事应用方面, 卷积神经网络被用来识别并检测军事目标, 但是在弹载终端环境中, 对于网络以及硬件的要求较高, 需要网络在保证识别准确率的基础上保持轻量化且嵌入性能好。 随着AlexNet[1]在ImageNet大型数据集上的分类准确率实现质的飞越后, 卷积神经网络朝着复杂化趋势发展, 卷积层数也越来越多。 代表性网络有2014年提出的VGG[2]和GoogLeNet[3], 两者分别增加卷积神经网络的深度和宽度以提升网络性能。……
