计算机工程

作者：徐增敏, 陈凯, 郭威伟, 赵汝文, 蒋占四

单位：1. 桂林电子科技大学 数学与计算科学学院, 广西 桂林 541004;2. 杭州海康威视数字技术股份有限公司, 杭州 310052;3. 桂林安维科技有限公司, 广西 桂林 541010;4. 中国通信建设集团设计院有限公司第四分公司, 郑州 450052;5. 桂林电子科技大学 机电工程学院, 广西 桂林 541004

关键词：manifold of interest变换,深度可分离卷积,逐点卷积,自门控函数,Kotlin协程

基金：国家自然科学基金“视频侦查中基于深度学习的人体行为识别技术研究”（61862015）；广西重点研发计划项目“面向涉密场所的视频人体行为分析系统研发及应用”（AB17195025）；广西高校中青年教师科研基础能力提升项目“基于手机指纹识别身份认证系统研究”（2019KY0253）。

因卷积神经网络参数膨胀，导致模型训练时占用大量的计算资源和存储资源，从而限制其在边缘终端上的应用。依据深度可分离卷积模型MobileNet V1的设计思路，结合自门控函数和ReLU函数的特点，构建一种改进的激活函数和压缩神经网络模型MobileNet-rhs。将ReLU函数和swish函数分别作为分段线性函数，设计激活函数ReLU-h-swish，通过优化卷积单元结构，解决模型训练过程中难以激活部分神经元的问题，以减少特征信息丢失。构建一种剔除卷积核的压缩模型，从模型深处自下而上剔除2n个卷积核，减少逐点卷积的参数量。在CIFAR-10和CIFAR-100数据集上进行实验，结果表明，引入ReLU-h-swish函数构建MobileNet-rhs模型的Top-1分类准确率为80.38%。相比MobileNet-rhs模型，压缩后MobileNet-rhs模型的参数量减少17.9%，其Top-1分类准确率仅降低2.28个百分点。此外，利用Tensorflow将该模型部署在安卓平台上，实现图像分类相册的应用。

来源：2022年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第5期