脉冲神经网络的深度化探索：VGG 与残差架构
计算机视觉与模式识别
2019-02-20 v4
摘要
过去几年中，脉冲神经网络（SNNs）作为一种可能实现低功耗事件驱动神经形态硬件的途径而受到关注。然而，它们在机器学习中的应用大多局限于用于简单问题的非常浅的神经网络架构。在本文中，我们提出了一种生成深度架构 SNN 的新算法技术，并证明了其在 CIFAR-10 和 ImageNet 等复杂视觉识别问题上的有效性。我们的技术适用于 VGG 和残差网络架构，其精度显著优于当前最优方法。最后，我们对稀疏事件驱动计算进行了分析，以证明在脉冲域中运行时硬件开销的降低。
引用
@article{arxiv.1802.02627,
title = {Going Deeper in Spiking Neural Networks: VGG and Residual Architectures},
author = {Abhronil Sengupta and Yuting Ye and Robert Wang and Chiao Liu and Kaushik Roy},
journal= {arXiv preprint arXiv:1802.02627},
year = {2019}
}