基于奖励调制脉冲时序依赖可塑性的深度卷积网络生物启发数字识别
计算机视觉与模式识别
2019-05-30 v3 神经元与认知
摘要
灵长类视觉系统启发了深度人工神经网络的发展，并革新了计算机视觉领域。然而这些网络远不如其生物对应物节能，且通常使用反向传播训练，极其耗费数据。为应对这些局限，我们采用了深度卷积脉冲神经网络（DCSNN）与一种延迟编码方案。我们使用下层为脉冲时序依赖可塑性（STDP）、上层为奖励调制 STDP（R-STDP）的组合来训练它。简言之，在 R-STDP 中，正确（相应错误）决策导致 STDP（相应反 STDP）。该方法在 MNIST 上达到了 的准确率，且无需外部分类器。此外，我们证明 R-STDP 提取对当前任务具有诊断性的特征并丢弃其他特征，而 STDP 提取任何重复出现的特征。最后，我们的方法具有生物学合理性、对硬件友好且节能。
引用
@article{arxiv.1804.00227,
title = {Bio-inspired digit recognition using reward-modulated spike-timing-dependent plasticity in deep convolutional networks},
author = {Milad Mozafari and Mohammad Ganjtabesh and Abbas Nowzari-Dalini and Simon J. Thorpe and Timothée Masquelier},
journal= {arXiv preprint arXiv:1804.00227},
year = {2019}
}
备注
Pattern Recognition (2019)