May, 2022

基于线性漏电积分 - 火神经元模型的脉冲神经网络及其与深度神经网络的映射关系

PDF
TL;DR该研究建立了生物参数和人工神经网络参数之间精确的数学映射关系，并证明了两者之间存在的映射关系，从而为两种类型的神经网络的潜在组合提供了理论基础。
spiking neural networksunsupervised learninglinear leaky-integrate-and-fire modeldeep neural networksmathematical mapping
发现论文，激发创造
  • 脉冲神经网络的直接训练：更快，更大，更好

    通过提出神经元规范化技术和直接学习算法，以及缩小速率编码窗口和将漏电整合 - 击发（LIF）模型转换为显式迭代版本的 Pytorch 实现方法，训练了高性能的 CIFAR10 数据集上的深度 SNN，开辟了探究 SNN 潜力的新途径。

    Sep, 2018

  • 基于脉冲神经元的脑启发式多层感知器

    本文介绍了如何在多层感知器（MLP）中使用漏泄整合和火（LIF）神经元来构建以 SNN 为灵感的神经网络机制，通过改进局部特征沟通机制来提高精度，最终在 ImageNet 数据集上取得 81.9％至 83.5％的 top-1 准确度的最新成果。

    Mar, 2022

  • 基于低活动度监督下的卷积脉冲神经网络应用于语音命令识别

    本文提出了一种使用 Leaky-Integrate-Fire (LIF) 神经元模型的堆叠扩张卷积脉冲层的模型，在保持非常稀疏的脉冲活动的情况下，可以在 Google SC v1 数据集上实现接近标准 DNN 的 5.5% 的误差率，证明了 SNNs 在语音识别方面的可行性。

    Nov, 2020

  • LIAF-Net: 轻量高效的漏积分模拟火网络用于时空信息处理

    本文提出了一种名为 LIAF-Net 的深度神经网络，并构建了一种新的神经元模型 LIAF，使得模拟值可以在神经元之间传输，以便在时空领域进行有效的处理，实验结果表明，与传统网络相比，其在实现轻量级和高效的时空信息处理方面具有领先的性能和优势。

    Nov, 2020

  • 脉冲神经网络深度学习

    该研究论文讨论深度脉冲神经网络的训练方法，比较有监督和无监督学习的准确性、计算成本和硬件友好性，发现深度脉冲神经网络在准确性方面仍落后于人工神经网络，但在许多任务中可以达到相同的准确性并需要更少的计算操作。

    Apr, 2018

  • 使用 LIF 神经元对深度网络进行脉冲处理

    使用 LIF 神经元训练脉冲深度网络，并在 CIFAR-10 和 MNIST 数据集上实现了最先进的结果。通过软化 LIF 响应函数并添加噪声，我们的方法旨在实现在神经形态硬件上训练深度网络的快速、高效的图像分类。

    Oct, 2015

  • 高效基于脉冲编码的图像去噪的神经信息编码

    通过使用 Leaky Integrate and Fire 神经元，我们研究了脉冲神经网络在高斯去噪任务中的性能，结果表明相对于深度卷积神经网络，SNN 能够在降低计算负载的情况下提供有竞争力的去噪性能。

    May, 2023

  • 生物启发计算与深度学习的相遇：从人工神经网络到低延迟、准确、高能效的脉冲神经网络

    通过修改 SNN 整合 - 发射神经元模型和在训练 ANN 过程中使用细粒度 L1 正则化和替代梯度等方法，我们提出了一种新的 ANN 转 SNN 框架，可以以极低的时间步和高级稀疏性实现无损 SNN，低延迟，低计算能耗和高测试准确性（例如，ImageNet 数据集上只有 4 个时间步的准确率为 73.30%）。

    Dec, 2023

  • 理解脉冲神经网络中建模组件的功能角色

    通过设计和评估经典模型的几个变体，系统地研究了渗漏，重置和循环等关键模式组件在漏电集成火模型的 SNNs 中的功能角色。通过广泛的实验，我们展示了这些组件如何影响 SNNs 的准确性，泛化性能和鲁棒性。通过这些有趣的观察结果，我们提供了增强 SNNs 在不同场景下性能的优化建议，从而深化了对 SNNs 工作方式的理解，为更有效和鲁棒的神经形态模型的发展提供了有价值的指导。

    Mar, 2024

  • 为训练深度神经网络架构实现基于脉冲的反向传播

    通过引入近似导数方法和基于脉冲的反向传播方法，本文提出一种可以直接训练深度脉冲神经网络的方法，实验结果表明，该方法在 MNIST、SVHN 和 CIFAR-10 数据集上取得了比其他基于脉冲的神经网络更好的分类效果。

    Mar, 2019