计算机工程

作者：史宝岱, 张秦, 李瑶, 李宇环

单位：空军工程大学 研究生学院, 西安 710051

关键词：轻量化,通道注意力,深度可分离卷积,通道混洗,特征拼接

基金：国家自然科学基金面上项目（61971438）。

传统图像目标识别模型通常使用结构复杂、层数更深的神经网络以提升其在计算机视觉领域的准确率，但该类模型存在对计算机算力要求过高、占用内存较大、无法部署在手机等小型计算机上的问题。提出一种轻量化卷积神经网络ConcatNet，采用特征拼接的方式，通过多支路并行将通道注意力机制与深度可分离卷积相结合，在增强有效特征权重的基础上，降低模型的参数量和复杂度，实现网络的轻量化。在网络输出阶段，采用先筛选再混洗的方式提高模型的识别精度。利用全局平均池化和全局随机池化提取中间特征图的信息，其中全局平均池化可以较好地保留背景信息，全局随机池化按概率值选取特征，具有较强的泛化性，两者相结合能够减少信息的丢失。在CIFAR-10、CIFAR-100等数据集上的实验结果表明，与MobileNetV2等轻量化神经网络相比，ConcatNet网络在保持Top-1和Top-5精度相当的情况下，将参数量和计算复杂度均降低了约50%，极大降低了对承载设备的要求。

来源：2022年第6期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第6期