为了在移动终端,嵌入式等计算、存储资源有限的设备上实现高精度的人民币鉴伪工作,对经典的Dual Path Network[3](DPN)网络在部署到移动终端上的优缺点进行了分析,提出了一种高效的轻量级卷积神经网络模型Light_DPN.以DPN网络为主体网络架构,引入Learned Group Conv[19]和Squeeze and Excitation[12]结构,提出了一种轻量化神经网络单元.此单元不仅大大减少了模型大小和参数量,还通过衡量通道之间的相关性,强化重要的特征通道、抑制无用的特征通道的方式来保证模型的准确率,使得在不大幅度降低(甚至提高)模型预测准确率的前提下,有效地减少卷积神经网络模型带来的大量计算和参数冗余的问题,达到正确率和模型大小的一个平衡.Light_DPN在训练的同时完成网络剪枝操作,不仅提高了计算效率,还减少了参数存储空间,并且不需要专门设计的软件/硬件加速器来加快执行速度.在自己拍摄的人民币数据集上,Light_DPN既实现了与原始DPN模型相媲美准确率,又减少了71.8％的模型大小(参数量)和74.9％Flops(浮点数运算).
Research on RMB Counterfeit Detection Algorithm Based on Light Weight Network
万方数据
维普
