图像分类卷积神经网络的特征选择模型压缩方法（英文）

发布时间：2018-01-17 00:31

  本文关键词：图像分类卷积神经网络的特征选择模型压缩方法（英文）　出处：《控制理论与应用》2017年06期 　论文类型：期刊论文

  更多相关文章： 卷积神经网络 图像分类 特征提取 特征选择 模型压缩

【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.
[Abstract]:CNN - FE is widely used in many fields and has been successfully applied as feature extractor ( CNN - FE ) . According to the study , we can find that CNN - FE has a lot of parameters , which greatly limits the application of CNN - FE in a limited memory such as smart phone .

【作者单位】： 北京大学信息工程学院现代信号与数据处理实验室;
【基金】：Supported by Shenzhen Science&Technology Fundamental Research Program(JCYJ20150430162332418)
【分类号】：TP183;TP391.41
【正文快照】： 1 Introductionclassification task with small number of categories.First-Undoubtedly,the outstanding performance of con-ly,the distribution of parameters in Alex Net--FE is care-volutional neural networks(CNN)in Image Net2012fully analyzed,and it is found

【相似文献】

相关期刊论文 前10条

1 朱峗,吴炜;图像分类中变形决策树的应用[J];计算机工程与应用;2004年21期

2 陈戏墨,徐红兵,李志铭,谢铉洋,李曦,李扬彬;数据挖掘在医学图像分类中的应用[J];现代计算机(专业版);2005年01期

3 冀翠萍;孟祥增;;基于内容的图像分类体系[J];电脑知识与技术(学术交流);2007年07期

4 杨杰;陈晓云;;图像分类方法比较研究[J];微计算机应用;2007年06期

5 杨文潮;姜志坚;;图像分类技术研究[J];福建电脑;2008年08期

6 葛寒娟;邱桃荣;王剑;卢强;李北;刘韬;聂斌;;一种基于相容信息粒原理的图像分类方法[J];广西师范大学学报(自然科学版);2008年03期

7 王军;王员云;;粒计算及其在图像分类中的应用研究[J];计算机工程与科学;2009年03期

8 吴军;王士同;;基于正负模糊规则的相结合的图像分类[J];计算机应用;2011年01期

9 吴军;王士同;赵鑫;;正负模糊规则系统、极限学习机与图像分类[J];中国图象图形学报;2011年08期

10 郝永宽;王威;聂维同;王德强;;图像分类与聚类分析[J];数字技术与应用;2011年12期

相关会议论文 前9条

1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

2 文振q;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

3 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

4 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

5 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年

6 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集（研究报告篇）[C];2003年

7 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

8 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

9 刘杰;杜军平;;基于Relief-F特征加权支持向量机的语义图像分类[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

相关博士学位论文 前10条

1 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年

2 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年

3 顾迎节;面向图像分类的主动学习算法研究[D];南京理工大学;2015年

4 孟丹;基于深度学习的图像分类方法研究[D];华东师范大学;2017年

5 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年

6 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

7 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年

8 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年

9 李晓旭;基于概率主题模型的图像分类和标注的研究[D];北京邮电大学;2012年

10 韩东峰;图像分类识别中特征及模型的若干问题研究[D];吉林大学;2008年

相关硕士学位论文 前10条

1 张明静;基于改进遗传算法的分块综合特征加权图像分类研究[D];华南理工大学;2015年

2 李函怡;融合主动学习的半监督技术在图像分类中的应用研究[D];西南大学;2015年

3 王亚凤;基于多特征的主动学习方法在图像分类中的应用研究[D];河北工程大学;2015年

4 陈荣安;基于改进的Bag-of-Features模型的图像分类研究[D];兰州大学;2015年

5 钟畏丹;基于HSV和纹理特征的图像分类[D];华中师范大学;2015年

6 焦阳;基于主动学习的多标签图像分类方法研究[D];苏州大学;2015年

7 王朔琛;基于半监督支持向量机的图像分类方法研究[D];陕西师范大学;2015年

8 杨东坡;基于深度学习的商品图像分类[D];大连交通大学;2015年

9 董振宇;基于词袋模型的图像分类研究[D];宁波大学;2015年

10 祝军;基于深度学习模型的图像分类研究[D];宁波大学;2015年

，

本文编号：1435544