脉冲神经网络目标检测的低延迟
提出了两种方法并创造了一种名为 SUHD 的基于 SNN 的超低延迟、高精度物体检测模型,相对于 Spiking-YOLO,SUHD 在 MS COCO 数据集上可以大约减少 750 倍的时间步,同时提高了 30%的平均精度 (mAP)。
Jun, 2023
这篇论文提出了一种高效快速的脉冲神经网络模型用于目标检测,在量化训练、神经网络修改以及伪量化方案的基础上,利用前馈積分 - 发射神经元实现了高速目标检测,实验证明,该模型在 GPU 上可实现 118 倍加速,参数仅为 1.5MB,在 FPGA 平台上达到了 800+FPS 的目标检测并且延迟极低。
Sep, 2023
本研究旨在研究脉冲神经网络在目标检测中的性能衰退,并提出了两种新方法:逐通道归一化和具有不平衡阈值的有符号神经元,以提高深度 SNN 的信息传输速度和准确性。最终实现了基于脉冲的目标检测模型,Spiking-YOLO,其结果表现可与 Tiny YOLO 比肩,并且在神经形态芯片上的能耗极低,且比以前的 SNN 转换方法更快。
Mar, 2019
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
通过使用事件摄像头直接训练尖峰神经网络,以设计快速高效的汽车嵌入式应用程序,并且采用了最新的尖峰反向传播方法,成功地针对 GEN1 汽车检测事件数据集提出了尖峰神经网络实现目标检测的方法。
May, 2022
基于事件的传感器与其高时间分辨率(1 微秒)和动态范围(120dB),能够在车辆和无人机等高速平台中部署。然而,事件的高度稀疏和波动性对基于人工神经网络(ANNs)的传统目标检测技术构成了挑战。相比之下,脉冲神经网络(SNNs)由于其固有的时间动态性,在表示基于事件的数据方面非常适用。我们特别演示了膜电位动力学如何在波动事件上调节网络活动,并增强稀疏输入的特征。此外,脉冲触发的自适应阈值可以稳定训练,进一步提高网络性能。基于这一点,我们开发了一种高效的用于基于事件的目标检测的脉冲特征金字塔网络。我们的提出的 SNN 在 Gen1 基准数据集上取得了显著的成绩,达到了 47.7%的平均精度(map50),超过了以前最好的 SNN 9.7%,并展示了 SNN 在基于事件的视觉领域的潜力。我们的模型具有简洁的结构,同时保持了高精度和更低的计算成本,这是稀疏计算的结果。我们的代码将公开提供。
Jul, 2023
通过优化初始膜电位实现高精度 ANN-to-SNN 转换,使得 SNN 在低延迟下达到了与最优性能相当的准确率,并在 CIFAR-10、CIFAR-100 和 ImageNet 数据集上取得了最新的结果。
Feb, 2022
本论文探讨了脉冲神经网络在语义分割方面的应用,通过替代全连接层和使用替代梯度学习方法,将基本的全卷积网络和 DeepLab 架构重构为 SNN 域的网络。实验表明,相较于 ANN 网络,SNN 网络在这个领域更加稳健和节能。
Oct, 2021
通过引入生物神经系统启发的突发 - 尖峰机制、基于帕累托前沿驱动算法的再分配爆发 - 射击模式以及基于层特定敏感性自动定位最佳阈值比率的敏感性驱动尖峰压缩技术,在分类和目标检测方面展示出卓越的性能和降低的能量使用,从而推动了基于事件驱动视觉的脉冲神经网络的进展。
Nov, 2023
本研究提出量化裁剪 - 移位激活函数以更好地逼近 Spiking Neural Networks 的激活函数,能在超低延迟 (4 time-steps) 的情况下实现高精度和超低延迟的 SNNs,并在 CIFAR-10/100 和 ImageNet 数据集上提高了性能。
Mar, 2023