第1期 高淑萍，等：改进MobileNet的图像分类方法研究 。19· Maxout-+Dropout、NIN)相比较，分类精度尚有不 image recognition[C]//Proceedings of the IEEE Confer- 足，主要原因是NN网络结构在卷积层后加入了 ence on Computer Vision and Pattern Recognition.Las Ve- BN和Dropout技术，而Maxout网络结构和High- gas,USA,2016:770-778. way网络结构使用了更多的网络层数，属于深度 [4]HAN K.WANG Y.TIAN Q.et al.GhostNet:More fea- 网络。本文提出的L-MobileNet网络结构在低网 tures from cheap operations[J].arXiv preprint arXiv: 络结构中具有一定的优势。 1911.11907.2019. 表39种不同方法在Cifar-10数据集上的分类精度 [5]ZHANG X.ZHOU X.LIN M.et al.Shufflenet:an ex- Table 3 Classification accuracy of 9 different methods on tremely efficient convolutional neural network for mobile Cifar-10 dataset devic-es[Cl//Proceedings of the IEEE Conference on Com- 方法 分类精度/% puter Vision and Pattern Recognition.Salt Lake City, Mean-covariance RBM(3 layers) 71.00 USA.2018:6848-6856. Improved Local Coord.Coding 74.50 [6]HOWARD A G,ZHU Menglong,CHEN Bo,et al.Mobi- PCANetRI leNets:efficient convolutional neural networks for mobile 78.67 Stochastic pooling ConvNet221 vision applications[J].arXiv:1704.04861,2017. 84.87 [7]SANDLER M,HOWARD A,ZHU Menglong,et al.Mobi- Improved LeNet-5231 86.78 leNetv2:inverted residuals and linear bottlenecks[Cl//Pro- Conv.Maxout+Dropou 88.32 ceedings of 2018 IEEE/CVF Conference on Computer Vis- NINPsI 89.59 ion and Pattern Recognition.Salt Lake City,USA,2018: Highway(19 layers) 92.46 4510-4520 L-MobileNet 87.36 [8]MA Ningning,ZHANG Xiangyu,ZHENG Haitao,et al. ShuffleNet V2:practical guidelines for efficient CNN ar- 4结束语 chitecture design[C]//Proceedings of the 15th European Conference on Computer Vision.Munich,Germany,2018: 为了解决具有复杂特征图像分类中由于特征 116-131. 信息提取能力不足，尤其是对负值特征信息不敏 [9]IANDOLA F N,HAN Song,MOSKEWICZ M W,et al. 感而造成图像分类精度下降的问题，本文提出了 SqueezeNet:AlexNet-level accuracy with 50x fewer para- 一个改进的MobileNet网络结构(L-MobileNet)o meters and <0.5MB model size[J].arXiv:1602.07360, 通过在4个公开数据集上进行的实验结果表明， 2016. 与其他6种神经网络图像分类方法相比，L-Mobi- [10]SUN Ke,LI Mingjie,LIU Dong,et al.IGCV3:inter- leNet分类精度高，在轻量级网络中具有优势，可 leaved low-rank group convolutions for efficient deep 复制能力强，可方便移植到移动端设备，使相关 neural networks[J].arXiv:1806.00178,2018 设备在包含复杂特征图像场景下，具有良好的分 [1l]黄跃珍，王乃洲，梁添才，等.基于改进型MobileNet网 类能力。进一步的研究工作内容：1)验证本文改 络的车型识别方法[.电子技术与软件工程，2019(1)： 进方法在更深网络结构下的有效性，进一步提升 22-24 模型分类性能；2)进一步优化网络模型结构，以 HUANG Yuezhen,WANG Naizhou,LIANG Tiancai,et 适应没有标签样本的数据集。 al.Vehicle identification method based on improved mo- 参考文献： bilenet network[J].Electronic technology and software engineering,2019(1):22-24. [1]LECUN Y,BOTTOU L,BENGIO Y,et al.Gradient-based [12]刘鸿智.面向移动设备的轻型神经网络的改进与实现 learning applied to document recognition[J].Proceedings D]呼和浩特：内蒙古大学，2019。 of the IEEE,1998.86(11):2278-2324 LIU Hongzhi.Improvement and implementation of light- [2]SZEGEDY C.LIU Wei,JIA Yangqing,et al.Going deep- weight neural network for mobile devices[D].Hohhot:In- er with con-volutions[C]/Proceedings of 2015 IEEE Con- ner Mongolia University,2019. ference on Computer Vision and Pattern Recognition.Bo- [13]郭奕君，努尔毕亚·亚地卡尔，朱亚俐，等.基于Mobile- ston,USA,2015:1-9. Net网络多国人脸分类识别).图像与信号处理，2020， [3]HE K,ZHANG X,REN S,et al.Deep residual learing for 9(3):146-155Maxout+Dropout、NIN) 相比较，分类精度尚有不 足，主要原因是 NIN 网络结构在卷积层后加入了 BN 和 Dropout 技术，而 Maxout 网络结构和 High￾way 网络结构使用了更多的网络层数，属于深度 网络。本文提出的 L-MobileNet 网络结构在低网 络结构中具有一定的优势。 表 3 9 种不同方法在 Cifar-10 数据集上的分类精度 Table 3 Classification accuracy of 9 different methods on Cifar-10 dataset 方法 分类精度/% Mean-covariance RBM(3 layers)[19] 71.00 Improved Local Coord. Coding[20] 74.50 PCANet[21] 78.67 Stochastic pooling ConvNet[22] 84.87 Improved LeNet-5[23] 86.78 Conv. Maxout+Dropout[24] 88.32 NIN[25] 89.59 Highway(19 layers)[26] 92.46 L-MobileNet 87.36 4 结束语 为了解决具有复杂特征图像分类中由于特征 信息提取能力不足，尤其是对负值特征信息不敏 感而造成图像分类精度下降的问题，本文提出了 一个改进的 MobileNet 网络结构 (L-MobileNet)。 通过在 4 个公开数据集上进行的实验结果表明， 与其他 6 种神经网络图像分类方法相比，L-Mobi￾leNet 分类精度高，在轻量级网络中具有优势，可 复制能力强，可方便移植到移动端设备，使相关 设备在包含复杂特征图像场景下，具有良好的分 类能力。进一步的研究工作内容：1) 验证本文改 进方法在更深网络结构下的有效性，进一步提升 模型分类性能；2) 进一步优化网络模型结构，以 适应没有标签样本的数据集。 参考文献： LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278–2324. [1] SZEGEDY C, LIU Wei, JIA Yangqing, et al. Going deep￾er with con-volutions[C]//Proceedings of 2015 IEEE Con￾ference on Computer Vision and Pattern Recognition. Bo￾ston, USA, 2015: 1–9. [2] [3] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE Confer￾ence on Computer Vision and Pattern Recognition. Las Ve￾gas, USA, 2016: 770−778. HAN K, WANG Y, TIAN Q, et al. GhostNet: More fea￾tures from cheap operations[J]. arXiv preprint arXiv: 1911.11907, 2019. [4] ZHANG X, ZHOU X, LIN M, et al. Shufflenet: an ex￾tremely efficient convolutional neural network for mobile devic-es[C]//Proceedings of the IEEE Conference on Com￾puter Vision and Pattern Recognition. Salt Lake City, USA, 2018: 6848–6856. [5] HOWARD A G, ZHU Menglong, CHEN Bo, et al. Mobi￾leNets: efficient convolutional neural networks for mobile vision applications[J]. arXiv: 1704.04861, 2017. [6] SANDLER M, HOWARD A, ZHU Menglong, et al. Mobi￾leNetv2: inverted residuals and linear bottlenecks[C]//Pro￾ceedings of 2018 IEEE/CVF Conference on Computer Vis￾ion and Pattern Recognition. Salt Lake City, USA, 2018: 4510–4520. [7] MA Ningning, ZHANG Xiangyu, ZHENG Haitao, et al. ShuffleNet V2: practical guidelines for efficient CNN ar￾chitecture design[C]//Proceedings of the 15th European Conference on Computer Vision. Munich, Germany, 2018: 116–131. [8] IANDOLA F N, HAN Song, MOSKEWICZ M W, et al. SqueezeNet: AlexNet-level accuracy with 50x fewer para￾meters and <0.5MB model size[J]. arXiv: 1602.07360, 2016. [9] SUN Ke, LI Mingjie, LIU Dong, et al. IGCV3: inter￾leaved low-rank group convolutions for efficient deep neural networks[J]. arXiv: 1806.00178, 2018. [10] 黄跃珍, 王乃洲, 梁添才, 等. 基于改进型 MobileNet 网 络的车型识别方法 [J]. 电子技术与软件工程, 2019(1): 22–24. HUANG Yuezhen, WANG Naizhou, LIANG Tiancai, et al. Vehicle identification method based on improved mo￾bilenet network[J]. Electronic technology and software engineering, 2019(1): 22–24. [11] 刘鸿智. 面向移动设备的轻型神经网络的改进与实现 [D]. 呼和浩特: 内蒙古大学, 2019. LIU Hongzhi. Improvement and implementation of light￾weight neural network for mobile devices[D]. Hohhot: In￾ner Mongolia University, 2019. [12] 郭奕君, 努尔毕亚·亚地卡尔, 朱亚俐, 等. 基于 Mobile￾Net 网络多国人脸分类识别 [J]. 图像与信号处理, 2020, 9(3): 146–155. [13] 第 1 期 高淑萍，等：改进 MobileNet 的图像分类方法研究 ·19·