利用脉冲神经网络中替代梯度下降实现高能效目标检测
计算机视觉与模式识别
2023-10-23 v1 人工智能
摘要
脉冲神经网络（SNNs）是一种具有生物学合理性的神经网络模型，在事件驱动处理与时空信息处理上具显著优势，使 SNNs 成为高能效目标检测的有吸引力的选择。然而，生物神经元动力学模型的非可微性给 SNNs 训练带来挑战。此外，目前缺乏适用于 SNNs 中目标检测的合适解码策略。在本研究中，我们引入电流均值解码（CMD）方法，其通过解决回归问题来促进深度 SNNs 在目标检测任务中的训练。基于替代梯度与 CMD，我们提出用于目标检测的 SNN-YOLOv3 模型。我们的实验表明，SNN-YOLOv3 在 PASCAL VOC 数据集上以仅 6 个时间步取得了 61.87% mAP 的显著性能。相较 SpikingYOLO，我们成功将 mAP 提升近 10%，同时将能耗降低两个数量级。
引用
@article{arxiv.2310.12985,
title = {Enabling energy-Efficient object detection with surrogate gradient descent in spiking neural networks},
author = {Jilong Luo and Shanlin Xiao and Yinsheng Chen and Zhiyi Yu},
journal= {arXiv preprint arXiv:2310.12985},
year = {2023}
}