基于累加器神经元的字典学习
计算机视觉与模式识别
2022-06-01 v1
摘要
局部竞争算法(LCA)利用非脉冲泄漏积分神经元之间的局部竞争来推断稀疏表示,从而可在 Intel 的 Loihi 处理器等大规模并行神经形态架构上实现潜在的实时执行。此处,我们关注从流视频中使用以无监督方式优化用于稀疏重建的时空特征字典来推断稀疏表示的问题。非脉冲 LCA 此前已用于实现从原始无标签视频中学习由卷积核组成的时空字典。我们展示了使用累加器神经元的脉冲 LCA(\hbox{S-LCA})无监督字典学习如何被高效实现,累加器神经元将常规的泄漏积分发放(\hbox{LIF})脉冲生成器与一个额外的状态变量相结合,该变量用于最小化积分输入与脉冲输出之间的差异。我们展示了在从分级发放到间歇发放的广泛动态机制下的字典学习,用于推断来自 CIFAR 数据库的静态图像以及 DVS 相机捕获的视频帧的稀疏表示。在一项需要从 DVS 相机视角快速翻动的牌堆中识别花色分类任务上,我们发现用于推断稀疏时空表示的 LCA 模型从分级向脉冲迁移时性能基本无退化。我们得出结论,累加器神经元很可能为未来神经形态硬件提供一个强大的赋能组件,用于实现针对基于事件的 DVS 相机流视频稀疏重建优化的时空字典在线无监督学习。
引用
@article{arxiv.2205.15386,
title = {Dictionary Learning with Accumulator Neurons},
author = {Gavin Parpart and Carlos Gonzalez and Terrence C. Stewart and Edward Kim and Jocelyn Rego and Andrew O'Brien and Steven Nesbit and Garrett T. Kenyon and Yijing Watkins},
journal= {arXiv preprint arXiv:2205.15386},
year = {2022}
}