HYPER-SNN:面向高光谱图像分类的节能量化深度脉冲神经网络
神经与进化计算
2021-07-29 v2
摘要
高光谱图像(HSI)在一系列连续光谱波段上提供丰富的光谱与空间信息。然而,对波段间光谱与空间相关性的精确处理需要使用能耗高昂的三维卷积神经网络(CNN)。为应对该挑战,我们提出使用由同构架构 CNN 生成、并采用量化感知梯度下降训练以优化其权重、膜泄漏与发放阈值的脉冲神经网络(SNN)。在训练与推理期间,HSI 的模拟像素值被直接施加于 SNN 输入层,无需转换为脉冲序列。我们训练技术的低延迟结合高激活稀疏性带来了计算效率的显著提升。我们在 3-D 与 3-D/2-D 混合卷积架构上使用三个 HSI 数据集评估了我们的方案。在 Indian Pines 数据集上,以 5 个时间步(推理延迟)与 6 位权重量化,我们分别取得了 98.68%、98.34% 与 98.20% 的总体精度、平均精度与 kappa 系数。特别地,我们的模型在三个 HSI 数据集上平均比同构架构全精度与 6 位量化 CNN 分别节省 560.6 与 44.8 倍计算能耗的同时,取得了与最先进(SOTA)相近的精度。
引用
@article{arxiv.2107.11979,
title = {HYPER-SNN: Towards Energy-efficient Quantized Deep Spiking Neural Networks for Hyperspectral Image Classification},
author = {Gourav Datta and Souvik Kundu and Akhilesh R. Jaiswal and Peter A. Beerel},
journal= {arXiv preprint arXiv:2107.11979},
year = {2021}
}