[发明专利]一种基于深度学习的图像分类神经网络压缩模型的系统

摘要

本发明涉及电子信息科学技术领域，提供了一种基于深度学习的图像分类神经网络压缩模型设计。深度神经网络很难去训练，并且训练过程占用大量内存，为此提出了一个简单、高效和模块化压缩双通道网络结构。该网络以双通道网络为主干，引入了压缩网络卷积的计算单元，并将训练好的网络模型转换为SNPE加载的DLC文件，可选择量化DLC文件以在Hexagon DSP上运行，准备模型的输入图片数据，使用SNPE运行时加载并执行模型。实验通过两个基准数据集：ImagNet‑1k和PASCAL VOC，证明压缩双通道网络在保持性能的同时能有效减少模型和计算复杂度。

主权项

1.一种基于深度学习的图像分类神经网络压缩模型设计，其特征在于，组成结构包括：卷积层、池化层、非线性激活单元、批标准化层、压缩信道单元和残差结构单元；所述卷积层、批标准化层和非线性激活单元，这三个部分前后一次连接组成一个神经单元，每三个神经单元会组成一个残差结构，残差的分支会使用有两个卷积层构成的压缩信道单元；深度卷积网络总体上分为特征提取阶段和分类器决策阶段，在特征提取阶段会将卷积网络分为低级几何特征提取浅层网络，中级边界特征提取中层网络，高级语义特征提取深层网络，每个部分都是由若干残差结构重复级联构成的拓扑结构且在相邻的网络结构之间会添加池化层来缩小计算张亮的长和宽，随着网络的逐渐加深在卷积层中运算核的信道数目也会逐渐加深，这种结构设计可以达到高效提图图片中有效信息的作用。