Un diseño liviano sin pérdida de CNN para el reconocimiento de objetivos SAR

Debido al alto costo computacional y a la gran sobrecarga de memoria, es difícil implementar una red neuronal convolucional profunda (CNN) original en dispositivos embebidos en tiempo real para el reconocimiento de objetivos de radar de apertura sintética (SAR). Además, los métodos livianos existentes tienen una compensación entre la relación de compresión y la precisión de reconocimiento. En este artículo, se propone una estrategia de diseño liviana y sin pérdida para CNN para lograr de manera eficiente el reconocimiento de objetivos SAR, que utiliza sutilmente la poda y la destilación de conocimiento. Específicamente, la poda estructurada se realiza primero en las redes convolucionales capa por capa para generar la red liviana, que se trata posteriormente como la red estudiante. Luego, la red podada se refina mediante la destilación de conocimiento con la ayuda de la red docente (es decir, las redes no podadas y bien entrenadas) para recuperar la precisión. Además, se puede adoptar el uso compartido de pesos para reducir aún más el almacenamiento de pesos sin afectar la precisión general final. Los experimentos de adquisición y reconocimiento de objetivos en movimiento y estacionarios (MSTAR) de 10 clases en redes completamente convolucionales (A-ConvNets) y en la red del grupo de geometría visual (VGGNet) demuestran que puede lograr, respectivamente, una compresión sin pérdida de 65.68× y 344×, y reducir el costo computacional en 2.5 y 18 veces.