用于可扩展地点识别的紧凑、区域特定且正则化的脉冲神经网络集成
计算机视觉与模式识别
2023-05-08 v3
摘要
脉冲神经网络在机器人学中具有显著潜在效用，因其在专用硬件上的高能量效率，但概念验证实现通常尚未达到与传统方法竞争的性能或能力。在本文中，我们通过引入一种新颖的模块化集成网络方法解决了可扩展性的关键实际挑战之一，其中紧凑的局部化脉冲网络各自学习并仅负责识别环境局部区域中的地点。这种模块化方法创建了高度可扩展的系统。然而，它带来了高性能代价：部署时缺乏全局正则化导致过度活跃神经元错误地响应其学习区域之外的地点。我们的第二个贡献引入了一种正则化方法，在初始环境学习阶段检测并移除这些有问题的过度活跃神经元。我们在基准定位数据集 Nordland 和 Oxford RobotCar 上评估了这一新的可扩展模块化系统，并与标准技术 NetVLAD、DenseVLAD、SAD 以及先前的脉冲神经网络系统进行比较。我们的系统在其小数据集上大幅优于先前的 SNN 系统，同时在大 27 倍的基准数据集上保持性能（先前系统在该数据集上计算不可行），并与常规定位系统表现相当。
引用
@article{arxiv.2209.08723,
title = {Ensembles of Compact, Region-specific & Regularized Spiking Neural Networks for Scalable Place Recognition},
author = {Somayeh Hussaini and Michael Milford and Tobias Fischer},
journal= {arXiv preprint arXiv:2209.08723},
year = {2023}
}
备注
8 pages, 6 figures, accepted to the IEEE International Conference on Robotics and Automation (ICRA) 2023