用于无训练ANN到SNN转换的差分编码
计算机视觉与模式识别
2025-07-09 v3
摘要
脉冲神经网络（SNN）因其低能耗而展现出显著潜力。将人工神经网络（ANN）转换为SNN是实现高性能SNN的有效途径。然而，许多转换方法基于速率编码，需要大量的脉冲和更长的时间步长，相比直接训练的SNN会导致能耗和延迟的增加。本文提出了一种用于ANN到SNN转换的差分编码，这是一种新颖的编码方案，通过传输速率信息的变化而非直接传输速率来减少脉冲计数和能耗，并探讨了其在各层中的应用。此外，还提出了阈值迭代方法，用于在将修正线性单元（ReLU）转换为脉冲神经元时基于激活分布优化阈值。在各种卷积神经网络（CNN）和Transformer上的实验结果表明，所提出的差分编码显著提高了准确性，同时降低了能耗，特别是与阈值迭代方法结合使用时，达到了最先进的性能。所提出的方法的源代码可在 https://github.com/h-z-h-cell/ANN-to-SNN-DCGS 获取。
引用
@article{arxiv.2503.00301,
title = {Differential Coding for Training-Free ANN-to-SNN Conversion},
author = {Zihan Huang and Wei Fang and Tong Bu and Peng Xue and Zecheng Hao and Wenxuan Liu and Yuanhong Tang and Zhaofei Yu and Tiejun Huang},
journal= {arXiv preprint arXiv:2503.00301},
year = {2025}
}