一种用于图像分割的脉冲神经网络
神经与进化计算
2021-06-17 v1 计算机视觉与模式识别
机器学习
摘要
我们旨在研究神经形态计算在计算机视觉中的可扩展性，目标是在降低功耗的同时复现非神经形态架构在计算机视觉任务上的性能。我们使用 Nengo 框架将深度人工神经网络（ANN）架构 U-Net 转换为脉冲神经网络（SNN）架构。利用由细胞显微镜图像组成的修改版 ISBI 2D EM 分割数据集，对基于速率和基于脉冲的模型进行训练和优化，以对性能和功耗进行基准测试。我们提出了一种分区方法，以优化在 Loihi 神经形态芯片上部署多芯片网络时的片间通信，从而提升速度和能效。我们探索了正则化 Loihi 神经元发放率的优势，以便在以最小精度损失和优化能耗将 ANN 转换为 SNN 时发挥作用。我们提出了一种基于百分位的正则化损失函数，用于将神经元发放率限制在期望范围内。该 SNN 直接从相应的 ANN 转换而来，并使用相同数量的神经元和权重展示了与 ANN 相似的语义分割效果。然而，在 Intel Loihi 神经形态芯片上的神经形态实现在在线运行（一次一幅图像）时比传统硬件（CPU、GPU）节能 2 倍以上。这些功耗改进是在不牺牲网络任务性能精度、且所有权重（Loihi、CPU 和 GPU 网络）均量化为 8 位的情况下实现的。
引用
@article{arxiv.2106.08921,
title = {A Spiking Neural Network for Image Segmentation},
author = {Kinjal Patel and Eric Hunsberger and Sean Batir and Chris Eliasmith},
journal= {arXiv preprint arXiv:2106.08921},
year = {2021}
}