论文部分内容阅读
卷积神经网络在整个特征提取的过程中无需手工设计,机器会自动完成。但是传统的神经网络普遍存在计算复杂度过高,模型尺寸较大等现象,因此研究人员提出了直接面向移动终端的轻量化卷积神经网络模型,这些网络模型通过使用更高效率的卷积方式适配计算能力和存储空间等性能并不优异的移动终端设备如手机等。考虑到现有的轻量化卷积神经网络模型内部仍有大量参数,运算速度依然有优化空间。综上,本文重点研究了面向移动终端的轻量化CNN模型。本文分析了几种常见的轻量化模型,以MobileNetV2模型为基础,综合ShuffleNet模型的通道混洗方法,建立了 M-MobileNet模型。主要的构造方式是用ShuffleNet的通道混洗替代一部分1X1卷积,同时为了避免给模型性能带来损失,网络结构的倒数第二层用深度卷积层代替原来的平均池化层。根据实验结果得知,本文实现的模型在CIFAR-10数据集上的TOP-1准确率略低于MobileNetV2,在TOP-5准确率上与MobileNetV2相当,但值得注意的是参数量和计算复杂度较MobileNetV2分别降低了35%和38%。M-MobileNet在ImageNet数据集上比较为先进的MobileNetV2运行速度提升了近40%,并且保证了同等水平的准确度。基于M-MobileNet模型,本文进行了两个实际场景的运用实验:植物病害识别、实时目标检测。在PlantVillage的测试集上本文采用的模型和MobileNetV2的识别精度非常接近;平均识别时间M-MobileNet要优于MobileNetV2,大概提高了 23ms。手机实时目标检测也保持了较高的检测精度,在华为MATE20上的检测速度能达到50帧/秒,总体上取得了较好的效果,日后可以考虑运用到其它领域。