Resumen

Dado que las redes neuronales profundas (DNN) requieren mucha memoria y cálculo, son difíciles de aplicar en sistemas integrados con recursos de hardware limitados. Por eso, los modelos de DNN deben comprimirse y acelerarse. Aplicando convoluciones separables en profundidad, MobileNet puede reducir el número de parámetros y la complejidad computacional con una menor pérdida de precisión en la clasificación. Basándose en MobileNet, se proponen 3 modelos MobileNet mejorados con expansión del campo receptivo local en capas poco profundas, también llamados modelos Dilated-MobileNet (Dilated Convolution MobileNet), en los que se introducen convoluciones dilatadas en una capa convolucional específica del modelo MobileNet. Sin aumentar el número de parámetros, las convoluciones dilatadas se utilizan para aumentar el campo receptivo de los filtros de convolución y obtener una mayor precisión de clasificación. Los experimentos se realizaron con los conjuntos de datos Caltech-101, Caltech-256 y Tubingen con atributos, respectivamente. Los resultados muestran que Dilated-MobileNets puede obtener una precisión de clasificación hasta un 2% mayor que MobileNet.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:número de parámetros, convolución dilatada, mobilenet, convolución dilatada mobilenet, red neuronal profunda, modelo mobilenet mejorado, capa convolucional específica, pérdida de clasificación, recursos de hardware limitados, mejor precisión de clasificación
• Keywords:number of parameters, dilated convolution, mobilenet, dilated convolution mobilenet, deep neural network, improved mobilenet model, specific convolutional layer, loss of classification, limited hardware resources, better classification accuracy