基于事件视觉的脉冲神经网络的异步生物合理神经元
本文提出了一种基于适应性尖峰神经元的调整尖峰神经网络(ASNN),使用形式化的异步脉冲 Sigma-Delta 编码有效地对脉冲列进行信息编码,同时通过调节发放率进行神经元适应性,紧密耦合了神经适应性与突触可塑性,用尖峰神经元替换标准前馈人工神经网络中的 ReLU 神经元,成功地应用于分类 MNIST 数据集的深度卷积神经网络。
Sep, 2016
本文提出了一种基于全脉冲神经网络 (SNN) 架构的事件相关视频重建框架 (EVSNN),并采用 Leaky-Integrate-and-Fire (LIF) 神经元和自适应膜电位中间电位助推框架 (PA-EVSNN),通过对事件相关图像信息的处理, 实现与基于人工神经网络(ANN)的模型相当的性能,而且在事件驱动硬件上具有更高的计算效率。
Jan, 2022
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
本文研究基于事件驱动的异步脉冲神经网络,并通过将经典的基于帧数据训练的卷积神经网络转换为异步网络,以在计算预算紧张的条件下实现低功耗、快速和嵌入式的神经网络视觉解决方案,其中应用范例是机器人跟踪移动目标。研究发现,异步网络的分类准确率仅比同步 CNN 低 3%,但计算量却减少了 12 倍。
May, 2019
该论文提出一种基于奖励传播的算法,该算法应用于脉冲神经网络(SNN)架构中的脉冲卷积和全连接层,该算法能够替代标准反向传播算法,实现对 SNN 的训练。使用该算法的 SNN 在空间和时间任务上的表现已经得到验证,达到了 BP-SNN 的类似准确度并节省了 50%的计算成本。
Oct, 2020
本研究首次提出了使用脉冲神经网络 (SNNs) 对事件相机的数据进行时间回归预测的问题,即预测旋转事件相机的 3 自由度角速度。该研究使用了从真实全景图像生成的合成事件相机数据集,证明了可以成功地训练 SNNs 来执行角速度回归。
Mar, 2020
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
本文提出了一种基于贝叶斯持续学习框架,以及在线学习规则用于进行神经形态工程,以实现能够适应变化学习任务的特性和风险管理,同时产生良好校准的不确定性估计的真正的神经形态系统的设计。
Aug, 2022
该研究通过初始化辅助 ANN 来解决 Spiking Neural Networks 的长转移期和状态衰减的问题,提出了一种 ANN-SNN 模型来实现高时间分辨率、低延迟和低功耗的预测。在 2D 和 3D 人体姿势估计任务中,与完全 ANN 相比,该方法性能下降仅为 4%,但功耗降低了 88%;与 SNN 相比,误差降低了 74%。
Mar, 2023
该论文介绍了一种新技术,将尖峰神经元的电位视为可微信号,从而在较少的精度损失的情况下通过误差反向传播机制直接对尖峰信号和电位进行训练,这使得深度尖峰神经网络比以往的间接训练方法表现更好,能够更精确地捕获尖峰的静态特征。测试结果表明,该算法在 MNIST 和 N-MNIST 数据集上比以往的 SNNs 方法表现更好。
Aug, 2016