深脉冲耦合神经网络

Dec, 2023

Deep Pulse-Coupled Neural Networks

Zexiang Yi, Jing Lian, Yunliang Qi, Zhaofei Yu, Huajin Tang...

TL;DR通过使用脉冲耦合神经网络（PCNN）取代常用的漏积分 - 发放神经元（LIF）模型神经元，我们构建了深度脉冲耦合神经网络（DPCNN），进而改善了 SNNs 在视觉任务中的表达能力和识别性能。同时，我们还提出了接受域和时间依赖批归一化（RFTD-BN）来加速 DPCNNs 的收敛和性能。

Abstract

spiking neural networks (SNNs) capture the information processing mechanism of the brain by taking advantage of spiking neurons, such as the Leaky Integrate-and-Fire (LIF) model neuron, which incorporates temporal dynamics and transmits information via discrete and asynchronous spikes.

spiking neural networks leaky integrate-and-fire model pulse-coupled neural network deep pulse-coupled neural networks receptive field and time dependent batch normalization

发现论文，激发创造

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

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

随机耦合神经网络

提出了随机耦合神经网络（RCNN）模型，通过随机失活过程克服了脉冲耦合神经网络（PCNN）的困难，实现了海量神经连接，并在图像分割等应用中展现了鲁棒、高效、抗噪声的出色性能。

Mar, 2024

脉冲耦合神经网络在计算机视觉和图像处理中的应用综述

该论文回顾了受哺乳动物视觉皮层启发的神经模型研究，重点介绍了脉冲耦合神经网络（PCNN）的数学形式、变体和文献中的其他简化方法，并提出了在图像处理和计算机视觉领域的多个应用，包括图像分割、边缘检测、医学成像、图像融合、图像压缩、物体识别和遥感。这些应用的结果表明，PCNN 架构产生了对各种计算机视觉任务有用的感知信息。

Jun, 2024

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

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。

May, 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

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

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

用于深度分布式强化学习的多区室神经元和群体编码优化的脉冲神经网络

通过结合生物启发式多室神经元模型和群编码方法，提出基于突触前神经元的深度分布式强化学习算法，其在 Atari 游戏上的表现超过了 “vanilla” 的基于 ANN 的 FQF 模型和基于 ANN-SNN 转换方法的 Spiking-FQF 模型。

Jan, 2023

简单和复杂的尖峰神经元：在简单 STDP 场景下的观点和分析

本研究比较了三种简单的脉冲神经元模型 (简洁型、二次型和指数型)，利用 Spike-Timing Dependent Plasticity (STDP) 在 N-MNIST 和 DVS Gestures 数据集上测试它们的分类表现，结果显示在数据具备更多的时空特征时，二次型和指数型的神经元模型表现更好，说明根据数据的特征谨慎选择神经元模型，能够提高整个系统的性能。

Jun, 2022