發(fā)布時間：2025-01-04 06:14

　　 準確并高效地識別青銅銘文在考古學、歷史學、文字學等領域具有重要的意義。構建了公開的青銅銘文數據集,為后續(xù)研究提供了數據參考。同時在基于L1范數的卷積核剪枝基礎上,提出了一種自動化模型剪枝策略,無需人為設置剪枝比例即可自動完成剪枝操作。實驗結果表明,以LeNet網絡為基礎模型,剪枝后的參數量和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據集。

【文章頁數】：8 頁

【部分圖文】：

圖1 青銅銘文數據集示例

文獻[6]所建數據集僅包含了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，嚴重影響模型的訓練效果。與文獻[6]所建數據集相比，本文所建數據集不但收錄的圖片及類別數量遠高于文獻[6]，而且全部為青銅銘文圖片，訓練更有針對性。3網絡優(yōu)化

圖2 訓練集和測試集上的訓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基礎網絡上進行訓練，訓練時將批處理樣本數（batch）設為32，學習率設為0.001，優(yōu)化器采用自適應矩估計（Adam），訓練200個批次后結束訓練。圖2分別展示了訓練集和測試集上的準確率及損失曲線，可以看出，當訓練批次（Epoch）達到100以后，除少數波動....

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

圖4展示了第8輪迭代剪枝再訓練過程及卷積層L1范數的分布情況。圖4(a）為再訓練過程，可以發(fā)現，訓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據集，未出現過擬合現象。圖4(b）為最終模型C1,C2,C3卷積層中卷積核的范數分布�？梢园l(fā)現，相比....

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

針對ResNet18網絡的剪枝策略與VGG16網絡略有不同，ResNet18網絡共含有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構，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