基于自动化剪枝策略的青铜铭文识别方法

发布时间：2025-01-04 06:14

　　 准确并高效地识别青铜铭文在考古学、历史学、文字学等领域具有重要的意义。构建了公开的青铜铭文数据集,为后续研究提供了数据参考。同时在基于L1范数的卷积核剪枝基础上,提出了一种自动化模型剪枝策略,无需人为设置剪枝比例即可自动完成剪枝操作。实验结果表明,以LeNet网络为基础模型,剪枝后的参数量和FLOPS仅为原模型的30%和69%,准确率达到97.62%,所提方法适用于青铜铭文数据集。

【文章页数】：8 页

【部分图文】：

图1 青铜铭文数据集示例

文献[6]所建数据集仅包含了77种文字共2102张图片，且其中夹杂了大量甲骨文、陶器石刻等其他文字，严重影响模型的训练效果。与文献[6]所建数据集相比，本文所建数据集不但收录的图片及类别数量远高于文献[6]，而且全部为青铜铭文图片，训练更有针对性。3网络优化

图2 训练集和测试集上的训练准确率及损失曲线。（a）准确率曲线；（b）损失曲线

实验首先在LeNet基础网络上进行训练，训练时将批处理样本数（batch）设为32，学习率设为0.001，优化器采用自适应矩估计（Adam），训练200个批次后结束训练。图2分别展示了训练集和测试集上的准确率及损失曲线，可以看出，当训练批次（Epoch）达到100以后，除少数波动....

图4 最终模型再训练过程及卷积层的L1范数分布。（a）再训练过程；（b)L1范数分布

图4展示了第8轮迭代剪枝再训练过程及卷积层L1范数的分布情况。图4(a）为再训练过程，可以发现，训练集及测试集上的准确率均稳步提升直至收敛，表明迭代后的最终模型适用于青铜铭文数据集，未出现过拟合现象。图4(b）为最终模型C1,C2,C3卷积层中卷积核的范数分布。可以发现，相比....

图6 ResNet18卷积层中的卷积核L1范数分布。（a）剪枝前；（b）剪枝后

针对ResNet18网络的剪枝策略与VGG16网络略有不同，ResNet18网络共含有17个卷积层，其中除第一层外，其余16层每两层组成一个残差模块，为了不破坏原残差的映射结构，简化剪枝流程，实验仅针对每个残差模块的第一个卷积层进行剪枝，即只针对C2,C4,C6,C8,C10,C....

本文编号：4023026