超越分类：直接训练脉冲神经网络用于语义分割
计算机视觉与模式识别
2021-10-18 v1
摘要
脉冲神经网络（SNNs）因其稀疏、异步和二进制事件驱动的处理方式，最近已成为人工神经网络（ANNs）的低功耗替代方案。由于其能效，SNNs极有可能被部署到现实世界中资源受限的系统，如自动驾驶汽车和无人机上。然而，由于其不可微且复杂的神经元动力学，大多数先前的SNN优化方法仅限于图像识别。在本文中，我们探索了SNN在分类之外的应用，并提出了由脉冲神经元构成的语义分割网络。具体来说，我们首先在语义分割数据集上研究了两种用于识别任务的代表性SNN优化技术（即ANN-SNN转换和替代梯度学习）。我们观察到，当从ANN转换而来时，由于特征的空间方差，SNN存在高延迟和低性能的问题。因此，我们直接使用替代梯度学习训练网络，从而获得比ANN-SNN转换更低的延迟和更高的性能。此外，我们为SNN领域重新设计了两种基本的ANN分割架构（即全卷积网络和DeepLab）。我们在两个公开的语义分割基准上进行了实验，包括PASCAL VOC2012数据集和DDD17事件相机数据集。除了展示SNN用于语义分割的可行性之外，我们还表明，在该领域中，SNN可以比其ANN对应物更鲁棒、更节能。
引用
@article{arxiv.2110.07742,
title = {Beyond Classification: Directly Training Spiking Neural Networks for Semantic Segmentation},
author = {Youngeun Kim and Joshua Chough and Priyadarshini Panda},
journal= {arXiv preprint arXiv:2110.07742},
year = {2021}
}