关键词deep spiking neural networks
搜索结果 - 4
- 通过精确的梯度反向传播改进下采样，提高基于 Transformer 的突触型神经网络性能
本文提出了 ConvBN-MaxPooling-LIF（CML）这种新型降采样方式以解决现有状态下深度脉冲神经网络（包括 Spikformer 和 Spikingformer）中梯度误差向后传播不准确的问题，并且在 ImageNet、CIF - 脉冲神经网络中的深度剩余学习
本文提出了基于 SEW ResNet 的残差学习算法来实现深度 SNNs 的直接训练，并通过在 ImageNet、DVS Gesture 和 CIFAR10-DVS 数据集上的实验表明 SEW ResNet 相对于目前最先进的神经网络直接训 - 深度脉冲神经网络反向传播的修正线性突触后电位函数
本文介绍了一个针对 DeepSNNs 设计的 Spike-Timing-Dependent Back-Propagation 学习算法，并提供了一种新的思路，探讨了时序动态、突触可塑性和决策等方面对信息编码的贡献，为未来 DeepSNNs - 使用反向传播训练深度脉冲神经网络
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