準確并高效地識別青銅銘文在考古學(xué)、歷史學(xué)、文字學(xué)等領(lǐng)域具有重要的意義。構(gòu)建了公開的青銅銘文數(shù)據(jù)集,為后續(xù)研究提供了數(shù)據(jù)參考。同時在基于L1范數(shù)的卷積核剪枝基礎(chǔ)上,提出了一種自動化模型剪枝策略,無需人為設(shè)置剪枝比例即可自動完成剪枝操作。實驗結(jié)果表明,以LeNet網(wǎng)絡(luò)為基礎(chǔ)模型,剪枝后的參數(shù)量和FLOPS僅為原模型的30%和69%,準確率達到97.62%,所提方法適用于青銅銘文數(shù)據(jù)集。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1 青銅銘文數(shù)據(jù)集示例

文獻[6]所建數(shù)據(jù)集僅包含了77種文字共2102張圖片，且其中夾雜了大量甲骨文、陶器石刻等其他文字，嚴重影響模型的訓(xùn)練效果。與文獻[6]所建數(shù)據(jù)集相比，本文所建數(shù)據(jù)集不但收錄的圖片及類別數(shù)量遠高于文獻[6]，而且全部為青銅銘文圖片，訓(xùn)練更有針對性。3網(wǎng)絡(luò)優(yōu)化

圖2 訓(xùn)練集和測試集上的訓(xùn)練準確率及損失曲線。（a）準確率曲線；（b）損失曲線

實驗首先在LeNet基礎(chǔ)網(wǎng)絡(luò)上進行訓(xùn)練，訓(xùn)練時將批處理樣本數(shù)（batch）設(shè)為32，學(xué)習(xí)率設(shè)為0.001，優(yōu)化器采用自適應(yīng)矩估計（Adam），訓(xùn)練200個批次后結(jié)束訓(xùn)練。圖2分別展示了訓(xùn)練集和測試集上的準確率及損失曲線，可以看出，當(dāng)訓(xùn)練批次（Epoch）達到100以后，除少數(shù)波動....

圖4 最終模型再訓(xùn)練過程及卷積層的L1范數(shù)分布。（a）再訓(xùn)練過程；（b)L1范數(shù)分布

圖4展示了第8輪迭代剪枝再訓(xùn)練過程及卷積層L1范數(shù)的分布情況。圖4(a）為再訓(xùn)練過程，可以發(fā)現(xiàn)，訓(xùn)練集及測試集上的準確率均穩(wěn)步提升直至收斂，表明迭代后的最終模型適用于青銅銘文數(shù)據(jù)集，未出現(xiàn)過擬合現(xiàn)象。圖4(b）為最終模型C1,C2,C3卷積層中卷積核的范數(shù)分布�？梢园l(fā)現(xiàn)，相比....

圖6 ResNet18卷積層中的卷積核L1范數(shù)分布。（a）剪枝前；（b）剪枝后

針對ResNet18網(wǎng)絡(luò)的剪枝策略與VGG16網(wǎng)絡(luò)略有不同，ResNet18網(wǎng)絡(luò)共含有17個卷積層，其中除第一層外，其余16層每兩層組成一個殘差模塊，為了不破壞原殘差的映射結(jié)構(gòu)，簡化剪枝流程，實驗僅針對每個殘差模塊的第一個卷積層進行剪枝，即只針對C2,C4,C6,C8,C10,C....

本文編號：4023026