[发明专利]一种基于自动化剪枝策略的青铜铭文识别方法

说明书

本发明涉及一种基于自动化剪枝策略的青铜铭文识别方法，属于图像识别技术领域。该方法首先收集需要识别的青铜铭文图像样本，然后利用图像预处理技术对图像进行尺寸调整及归一化操作，制作成训练集和测试集。最后在基于L1范数的卷积核剪枝基础上提出一种自动化模型剪枝策略，可以在无需人工干预的情况下自动完成模型的剪枝操作，寻找最佳匹配结构。本发明可以有效减少参数量及FLOPs，提高网络运行速度，提升模型泛化能力，寻找到最适配青铜铭文数据集的网络模型。

技术领域

本发明涉及一种图像识别技术领域，具体的涉及一种基于自动化剪枝策略的青铜铭文识别方法。

背景技术

青铜铭文和甲骨文一样，同为中国的一种古老文字，常被镌刻在青铜器皿上，也被称为金文，钟鼎文。准确识别青铜铭文不但有助于鉴定青铜器的年代，而且对历史文化的研究，汉字的演化，书法艺术的发展均具有重要的意义。目前主流的基于深度神经网络的识别方法在模型结构上难以与青铜铭文数据集相匹配，参数量及FLOPs量均较大，不但影响识别的速度，而且容易出现过拟合现象，使得模型的泛化能力较弱。

发明内容

本发明针对现有方法的不足，提出一种基于自动化剪枝策略的青铜铭文识别方法。通过遍历所有可能的剪枝组合情况，利用准确率及FLOPs排序进行自动决策，优化网络结构，减少参数量及FLOPs值，该方法具体步骤如下：

第一步：收集需要识别的青铜铭文图像样本，利用图像预处理技术对图像进行尺寸调整及归一化操作，标注每个青铜铭文图像的类别，制作成训练集和测试集；

第二步：训练基础网络直至收敛，获取模型。

第三步：统计每个卷积层内卷积核的L1范数值，并以数值大小排序。

第四步：遍历所有可能的组合情况，需要删除卷积核时，以该层L1范数值为标准从小到大依次删除，但每层至少保留一个卷积核。

第五步：对所有组合的模型利用测试集进行测试，并按准确率排序。设置组合选择阈值，即以准确率小于该阈值且最接近该阈值的组合作为最佳组合，如果最佳组合不唯一，则选取其中FLOPs值最小的组合。

第六步：将最佳组合进行再训练，恢复其准确率。设置终止迭代阈值，即再训练后准确率高于该阈值则带入第三步继续迭代，否则结束。

本发明的与现有的剪枝方法相比，其优点在于：

1.该算法通过一套自动化策略，先遍历所有组合情况，然后以准确率及FLOPs的排名为标准自动确定最佳剪枝策略，可以在无需人工干预的情况下自动完成模型的剪枝操作，寻找最佳匹配结构。有效减少参数量及FLOPs，提高网络运行速度，提升模型泛化能力。

2.该方法以准确率及FLOPs的排名为标准，可以保证一次迭代不会出现过分剪枝，使模型难以恢复，可以在相同准确率情况下选择计算量最小的模型。通过对组合选择阈值和终止迭代阈值的设定，控制剪枝的力度，阈值设定越高，剪枝力度越小，反之亦然。

附图说明

图1是本发明的方法流程图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。

图1是本发明的方法流程图：

第一步：收集需要识别的青铜铭文图像样本，通过尺寸缩放将原图像压缩为32X32的灰度图像，并且将像素值进行归一化。然后按照6:4的比例划分为训练集和测试集，其中训练集共计4559张，用于网络训练，测试集3113张，用于测试网络性能。

第二步：在LeNet基础网络上进行训练,训练时将batch设为32，学习率设为0.001，优化器设为Adam,训练200个批次后结束训练。