用于高性能高能效目标检测的整数值训练与脉冲驱动推理脉冲神经网络
人工智能
2025-04-16 v4
摘要
受脑启发的脉冲神经网络（SNN）相比人工神经网络（ANN）具有生物合理性和低功耗优势。由于性能不佳，SNN的应用目前仅限于简单的分类任务。在这项工作中，我们专注于弥合ANN和SNN在目标检测上的性能差距。我们的设计围绕网络架构和脉冲神经元展开。首先，当YOLO系列被转换为相应的脉冲版本时，过于复杂的模块设计会导致脉冲退化。我们设计了一种SpikeYOLO架构，通过简化原始YOLO并融入元SNN模块来解决这个问题。其次，目标检测对脉冲神经元将膜电位转换为二进制脉冲过程中的量化误差更为敏感。为了应对这一挑战，我们设计了一种新的脉冲神经元，它在训练期间激活整数值，同时通过在推理期间扩展虚拟时间步来保持脉冲驱动。所提出的方法在静态和神经形态目标检测数据集上均得到了验证。在静态COCO数据集上，我们获得了66.2%的mAP@50和48.9%的mAP@50:95，分别比先前最先进的SNN高出+15.0%和+18.7%。在神经形态Gen1数据集上，我们实现了67.2%的mAP@50，比同等架构的ANN高出+2.5%，并且能效提升了5.7倍。代码：https://github.com/BICLab/SpikeYOLO
引用
@article{arxiv.2407.20708,
title = {Integer-Valued Training and Spike-Driven Inference Spiking Neural Network for High-performance and Energy-efficient Object Detection},
author = {Xinhao Luo and Man Yao and Yuhong Chou and Bo Xu and Guoqi Li},
journal= {arXiv preprint arXiv:2407.20708},
year = {2025}
}
备注
Accepted by ECCV2024; 19 pages, 4 figures