基于改进样本驱动的高光谱矿物识别模型压缩方法.docx

本文探讨了基于改进样本驱动的高光谱矿物识别模型压缩方法，旨在解决深度学习神经网络在高光谱矿物识别中的效率问题。传统的矿物识别方法主要依赖于矿物光谱的相似性和特征，但容易受到成像条件的影响。深度学习技术，尤其是神经网络的应用，显著提升了模型的鲁棒性，但复杂的网络结构和庞大的参数量限制了其在快速信息提取和高效识别中的应用。 神经网络模型压缩是解决这一问题的关键途径，主要包括网络剪枝、参数量化、设计结构化矩阵和知识蒸馏。网络剪枝通过消除冗余单元来减小模型规模，防止过拟合，提高模型性能。它分为非结构化和结构化两种类型。非结构化剪枝针对不同层之间的冗余连接进行剪枝，可能误剪重要连接，而结构化剪枝则剪去神经元、卷积核或通道，更利于硬件实现，但现有方法往往忽视了误识别样本的影响。 针对上述挑战，文章提出了一种基于改进样本驱动的网络剪枝方法，专注于神经网络中冗余神经元的剪枝。该方法以验证数据集中的正确识别样本为基础，计算各神经元的激活输出零值频率（C-APoZ），用作神经元重要性的判断标准。通过迭代剪枝和再训练，逐步压缩原始网络，以构建高效的矿物识别模型。 具体来说，该方法首先计算每个神经元在正确识别样本上的平均零值率（C-APoZ），然后依据此指标进行网络修剪。在预训练神经网络的基础上，逐层进行剪枝，确保在压缩过程中保留关键信息。实验中，该方法应用于基于多层感知机的矿物识别模型，使用美国内华达州 Cuprite 矿区的 AVIRIS 高光谱数据进行验证，证明了方法的有效性。 总结起来，本文提出的改进样本驱动的高光谱矿物识别模型压缩方法通过优化神经元的重要性评估，减少了网络中的冗余，实现了高效压缩，降低了计算时间，同时保持了识别准确性。这种方法对于高光谱数据处理和矿物识别领域的模型优化具有重要意义，有助于推动高光谱技术在资源勘查、环境监测等领域的应用。