基于强化延迟学习的递归脉冲神经网络动作识别脑类比计算建模
神经与进化计算
2024-06-18 v1
摘要
脑类比计算模型日益受到关注，这源于人类大脑在问题解决方面的显著效率。动作识别作为计算神经科学中的复杂任务，因其复杂性以及大脑在该领域卓越表现而受到广泛关注。然而，现有动作识别解决方案要么未能有效解决该问题，要么缺乏必要的生物学可信度。深度神经网络表现可接受，但偏离生物学证据，限制了其在脑类比计算研究中的适用性。另一方面，大多数脑类比模型用于动作识别的有效性显著低于深度模型，无法达到人类水平。这一缺陷可归因于这些模型未能考虑大脑的底层机制。本文提出一种有效的脑类比动作识别计算模型。我们为模型引入了对强化延迟学习至关重要的脉冲神经网络的新型生物学可信机制，以学习时空模式。这些新机制的核心思想是通过整合关键生物学原理来弥合大脑能力与动作识别任务之间的鸿沟。我们使用动作识别基准数据集 DVS-128 Gesture 对模型性能进行评估。结果表明，本模型在已有的生物学可信模型中表现优于，并与深度监督模型竞争。
引用
@article{arxiv.2406.11778,
title = {Brain-inspired Computational Modeling of Action Recognition with Recurrent Spiking Neural Networks Equipped with Reinforcement Delay Learning},
author = {Alireza Nadafian and Milad Mozafari and Timothée Masquelier and Mohammad Ganjtabesh},
journal= {arXiv preprint arXiv:2406.11778},
year = {2024}
}