轻量化卷积神经网络在船舶分类中的应用

为权衡船舶分类模型的分类精度和模型大小,提出一种改进GhostNet-50的轻量化卷积神经网络AGNet对自制的船舶数据集进行分类。首先,提出一种融合非对称卷积的Ghost模块,用于提升AGNet卷积过程的特征提取能力;然后,结合瓶颈结构,设计一种非对称Ghost瓶颈模块,在维持模型表达能力的同时能进一步降低计算成本;最后,去除GhostNet-50中的一层1×1卷积,以降低整体模型的参数冗余。实验通过分类精度、参数量、计算量、推理速度等评价指标对所提方法进行多角度对比。实验结果中,AGNet模型在33个类别的测试集中精度达到了93.87%,模型参数量仅为0.72×10⁶,相比GhostNet-50压缩了46.67%,且精度提升了2.93个百分点。实验结果表明：AGNet在较低模型大小的前提下能达到更优的分类效果,可较好应用到船舶分类任务中。