基于改进MnasNet网络的低分辨率图像分类算法*

杨国亮，朱 晨，李 放，吴志刚

(江西理工大学 电气工程与自动化学院，江西 赣州 341000)

0 引 言

图像识别作为计算机视觉的基本任务之一，已被广泛应用于安防[1]、交通[2]、医疗等领域。低分辨率图像作为一种数据量小、易于传输的数据表达形式，占据了全部图片相当大的比重。常见于商品Logo,社交账号头像等对图像细节要求不高的领域，或者是摄像时镜头与目标距离较远，导致物体在整张图片中占用像素点较少的目标图像，例如地理系统的遥感图像、航拍图像等。

研究发现卷积层的数量(深度)在神经网络中扮演至关重要的角色，VGG,GoogLeNet,ResNet[3]等具有更深层结构的神经网络相继出现，刷新神经网络的分类精度，而与之伴随的是算法中参数量的巨大增加，无法应用于容量有限的嵌入式设备中，实际应用受限。为解决这一问题，研究者们提出了如MobileNet[4],MobileNetV2[5],MnasNet[6]等人轻量化卷积神经网络，大量减少网络计算的参数量，并能够保持与ResNet等算法相近的准确度，降低网络的复杂度。部分轻量化卷积神经网络的应用也有限制，据文献[6]所述，MnasNet网络在常用分辨率图像(224×224)中识别速度快、精度高，但是识别低分辨率图像的精度一般。

本文针对MnasNet网络在无法高效识别低分辨率图像内容问题，对网络模块进行改进，将改进后的网络模块在CIFAR—10数据集中做消融实验，寻找最优的网络架构，并于CINIC—10数据集中验证。

1 算法介绍

1.1 轻量化卷积结构

利用深度可分离卷积结构的MobileNet网络不同于标准卷积将输入特征图计算、输出一次完成，深度可分离卷积将这一过程分解成深度卷积(depthwise)和逐点卷积(pointwise)两个步骤完成。……