使用图像分类深度学习框架对神经形态数据进行分类
计算机视觉与模式识别
2018-07-03 v1 神经与进化计算
摘要
在人工智能领域，神经形态计算已存在数十年。然而，深度学习近期取得很大进展，使其在分类任务的准确率上持续优于神经形态学习算法。特别是在图像分类领域，神经形态计算传统上采用时间编码或速率编码将数据集中的静态图像编码为脉冲序列。直到最近，神经形态视觉传感器才被神经形态研究界广泛使用，并为这类编码方法提供了替代方案。此后，引入了若干通过将此类传感器应用于图像数据集（如神经形态 CALTECH 101）获得的神经形态数据集。这些数据以脉冲序列编码，因此似乎非常适合作为神经形态学习算法的基准。具体而言，我们在 CALTECH 101 和折叠版神经形态 CALTECH 101 数据集上训练了一个用于图像分类的深度学习框架。我们在 CALTECH 101 和神经形态 CALTECH 101 数据集上分别获得了 91.66% 和 78.01% 的准确率。对于 CALTECH 101，我们的准确率接近最佳报道准确率；而对于神经形态 CALTECH 101，其超出上次最佳报道准确率逾 10%。这引发了此类数据集作为神经形态学习算法基准的适用性问题。
引用
@article{arxiv.1807.00578,
title = {Classifying neuromorphic data using a deep learning framework for image classification},
author = {Roshan Gopalakrishnan and Yansong Chua and Laxmi R Iyer},
journal= {arXiv preprint arXiv:1807.00578},
year = {2018}
}
备注
4 pages, 3 figures, submitted to ICARCV 2018