【技术实现步骤摘要】
本申请涉及图像处理，具体而言，涉及一种基于剪枝神经网络的图像分类方法、装置、设备及介质。
技术介绍
1、目前，常采用卷积神经网络进行图像分类，卷积神经网络模型在视觉任务方面精度高、效果理想，但其也有结构复杂、存储开销大、计算资源高等缺点。然而由于边缘节点设备的存储和计算资源有限，现有的图像分类模型难以准确且高效地落实到边缘侧硬件平台。
2、现有的方案通过对模型进行剪枝，实现模型压缩。但是通常使用卷积核权重值的范数判断是否进行剪枝。效果较差。研究表明，聚类方法对模型结构化剪枝有较好的适用性，目前模型剪枝研究普遍采用的k均值聚类方法，该方法认为目标数据关于聚类中心圆对称分布，面对数据分布复杂的卷积层权重，无法较好地刻画数据的分布情况。并且k均值聚类方法每个数据点只能被分配到一个类别簇中，无法很好地处理数据中存在的模糊边界或重叠的情况。
技术实现思路
1、本申请实施例提供了一种基于剪枝神经网络的图像分类方法、装置、设备及存储介质，以至少解决相关技术中难以对图像分类卷积模型进行高效剪枝
本文档来自技高网...【技术保护点】
1.一种基于剪枝神经网络的图像分类方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述卷积层的权重数据构建高斯混合模型，包括：
3.根据权利要求1所述的方法，其特征在于，基于所述高斯混合模型以及卷积核的零激活率计算每个卷积核的复合卷积关联指数，包括：
4.根据权利要求3所述的方法，其特征在于，基于所述高斯混合模型，计算每个卷积核的相似度，包括：
5.根据权利要求4所述的方法，其特征在于，基于所述高斯混合模型，计算每个卷积核的总体分布影响程度，包括：
6.根据权利要求1所述的方法，其特征...
【技术特征摘要】
1.一种基于剪枝神经网络的图像分类方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述卷积层的权重数据构建高斯混合模型，包括：
3.根据权利要求1所述的方法，其特征在于，基于所述高斯混合模型以及卷积核的零激活率计算每个卷积核的复合卷积关联指数，包括：
4.根据权利要求3所述的方法，其特征在于，基于所述高斯混合模型，计算每个卷积核的相似度，包括：
5.根据权利要求4所述的方法，其特征在于，基于所述高斯混合模型，计算每个卷积核的总体分布影响程度，包括：
6.根据权利要求1所述的方法，其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。