脉冲双流方法与基于无监督 STDP 学习的动作识别
使用无监督学习的脉冲分离空间和时间卷积(S3TCs)方法成功提取视频的时空信息,并超越脉冲三维卷积,在视频分析方面减少参数需求。
Sep, 2023
使用深度 - STDP 框架,将卷积网络与由 STDP 聚类过程生成的伪标签同时训练,相比于 k-means 聚类方法,在小型图像数据集上准确度提高了 24.56%且收敛速度提高了 3.5 倍。
Jul, 2023
本文提出了一种基于 Spike-Timing Dependent Plasticity (STDP) 的监督学习算法,用于基于 Leaky Integrate-and-fire (LIF) 神经元的分层 Spiking Neural Networks。该算法经 MNIST 数据集训练后,分类精度接近于使用标准反向传播算法训练的类似结构的多层感知器模型。
Mar, 2022
通过将监督性 Spike Timing-Dependent Plasticity(STDP)与自监督 STDP 相结合,并引入 Paired Competing Neurons(PCN)训练架构,我们提出了一种能在神经形态硬件上进行分类任务训练的 Spiking Neural Networks(SNNs)方法,其方法在 MNIST、Fashion-MNIST 和 CIFAR-10 数据集上表现出比现有的基于 STDP 的方法更优越的性能,同时具备改进的超参数鲁棒性。
Aug, 2023
本文提出了一种基于深度卷积神经网络的两通道 ConvNet 架构,结合了空间和时间网络,利用稀疏光流信息进行训练并使用多任务学习提高模型性能,成功地提高了视频动作识别的准确率。
Jun, 2014
该论文介绍了一种在脉冲神经网络(SNN)上执行监督学习的新方法,通过使用时序相关可塑性(STDP)和稳态调节训练网络以识别空间模式,该方法通过 SpiNNaker 数字架构进行测试,结果表明 SNN 能够以高准确率识别单个训练模式,但当训练模式数量增加时,识别准确率与这些模式之间的相似性有关,该方法可以应用于静态图像的模式识别或计算机网络中的流量分析,其中每个网络数据包代表一个空间模式。
Dec, 2023
本文提出了一种新的卷积神经网络结构,名为隐式双流卷积神经网络。它可以以端到端的方式处理视频帧并预测动作类别,而不需要显式计算光流,因此速度快于传统方法。实验证明,该方法在四个具有挑战性的动作识别数据集中表现显著优于上一个最佳的实时方法。
Apr, 2017
本文提出了一种基于神经科学中对称性脉冲定时相关塑性规则的生物可行的 SNN 模型,该模型结合生物可行的突触缩放和动态阈值的内在可塑性来实现监督学习,并在标准识别任务中实现了良好的性能,其学习规则基于局部脉冲事件,因此可以轻松应用于神经形态硬件,有助于理解生物神经系统内部的监督学习信息处理机制。
Dec, 2018
为了最好地利用时空信息,我们研究了在空间和时间上融合 ConvNet 塔的多种方法,并发现在卷积层融合空间和时间网络而不是在 softmax 层融合可以大大减少参数。我们提出了一种新的 ConvNet 架构,以融合视频片段的空时信息,并在标准基准测试中评估了其性能,该架构达到了最先进的结果。
Apr, 2016