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
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。
Dec, 2023
这篇论文介绍了一种新的基于神经科学理论 “预测编码” 的神经网络,该网络包含反馈和前馈连接,能够让相邻层次间逐渐优化表征以最小化预测误差,并在图像分类和对象识别等任务上获得了具有竞争力的性能。
May, 2018
本研究利用预测编码理论设计了双向、递归的深度预测编码网络,在图像分类中具有较高性能表现,与其单向前馈模型相比,其性能随着递归周期的增加而提高,并逐步准确地识别物体。
Feb, 2018
概率电路(PC)在最近几年中越来越受关注,作为一个灵活的框架,用于讨论支持可处理查询且足够表达复杂概率分布的概率模型。然而,可处理性是以牺牲表达力为代价的:PC 相较于神经网络来说表达能力较弱。在本文中,我们引入了概率神经电路(PNC),它在可处理性和表达能力方面在 PC 和神经网络之间取得平衡。从理论上讲,我们证明了 PNC 可以被解释为贝叶斯网络的深度混合。实验证明,PNC 是强大的函数逼近器。
Mar, 2024
通过结合生物神经元原理,使用基于神经科学的计算模型来增强训练效率和提高准确性,以推动组合感受野模型作为卷积神经网络的基础层,从而在 CIFAR-10、CIFAR-100 和 ImageNet-100 数据集上实现性能显著提升(平均提升 5%-10%)
Nov, 2023
本研究表明,受到生物突触神经网络启发,例如秩序编码(RC)的时间编码可以应用于传统通用人工神经网络(如 LSTMs),并且能够提高计算效率,而且可以通过调整阈值或正则化参数来实现速度和准确度之间的权衡。
Oct, 2021
通过生物化学反应网络 (BCRN) 系统的可编程性,在生物计算领域实现了完全连接的神经网络结构 (FCNN),并具有潜在的自主活动性。
储备计算(RC)是一种递归神经网络,通过随机连接神经元实现对时间信号处理的应用。该模型具有丰富的动力学、线性可分性和记忆能力,可在各种应用中生成适当的响应。RC 的研究领域涉及机器学习、物理学、生物学和神经科学,可应用于物理硬件和生物设备的复杂动力学实现及对大脑机制的理解。本文对 RC 的发展进行了综合回顾,包括模型、应用和脑机制的建模,并提供了储备设计、编码框架统一、物理实现以及与认知神经科学和进化之间的相互作用等新视角。
Jul, 2023
本文主要针对预测编码理论进行理论分析,展示了其与目标传播算法的紧密联系以及在一定情况下可以取得与反向传播算法相同的泛化性能,同时保持其独特的优点。
Jul, 2022