深度神经网络以其强大的表征能力,已成为人工智能发展的核心技术之一。对网络模型精度的提升需求和移动设备的应用表明优化神经网络的性能有重大研究意义。传统方法采用注意力机制增强特征知识或者利用不同模型之间的特征知识迁移来提升模型性能,忽略了预训练网络中隐含的特征知识能够指导网络结构调整的优势。轻量级神经网络的结构设计主要考虑对卷积操作本身进行重构,将所有层的卷积核设为相同大小。这种设置忽略了不同深度以及不同通道的卷积核提取的特征尺度是有差异的。本文利用预训练网络中的特征知识,对模型的卷积核大小进行微调,不仅实现同层和跨层的多尺度信息融合,而且能够对冗余的滤波器进行剪裁,在提升模型表征能力的同时压缩模型,通过优化神经网络结构改善了模型的性能。本文的主要创新点如下:1.本文提出了一种基于分组卷积的高效特征知识提取算法。该算法考虑了空间域的多尺度信息,通过分组卷积实现每个通道空间域特征知识的提取,能够批量且高效地提取每个通道的最大响应连通区域,引导模型关注每个通道特有的视觉模式增强通道特征的表达。2.本文提出了一个基于特征响应区域的混合卷积衡量策略。通过计算指标对轻量级网络的卷积核大小进行逐通道的调整,自适应地实现层内和跨层的混合卷积,在压缩模型的同时提升模型性能。本文提出的算法在多个任务和数据集上进行了大量的实验验证,并与当前人工设计的卷积模块进行了对比。实验结果表明:本文提出的基于特征知识优化神经网络结构的方法不仅能够选择适当大小的卷积核提升模型的准确率,而且能够识别出冗余滤波器,使得模型变得更紧凑。与人为设计的卷积模块相比,本文所提出的方法也取得了更好的性能。不同任务上的结果纵向对比分析表明,相对简单的分类数据集,存在更多的冗余过滤器,我们的算法自适应地将其卷积核大小设置为零;而检测任务中目标的尺度更加多样,通过混合卷积提取了更丰富的特征,使得模型性能更好。表明网络会根据任务自适应地选择不同的混合卷积比例,这为不同任务的网络结构设计提供了新的思路。