基于脉冲神经网络的手写数字实时学习分类
机器学习
2017-11-13 v1 人工智能
机器学习
神经与进化计算
摘要
我们描述了一种用于自动化实时手写数字分类的新型脉冲神经网络（SNN）及其在GP-GPU平台上的实现。网络内的信息处理，从特征提取到分类，均通过模拟大脑中神经元脉冲发起与传播的基本方面来实现。SNN的特征提取层使用固定的突触权重图来提取图像的关键特征，分类层使用最近开发的NormAD基于近似梯度下降的监督学习算法来调整突触权重，该算法适用于脉冲神经网络。在标准MNIST手写数字数据库图像上，我们的网络在训练集上达到99.80%的准确率，在测试集上达到98.06%的准确率，与最先进的脉冲网络相比参数减少近7倍。我们进一步将该网络用于基于GPU的用户界面系统，演示实时SNN仿真以推断不同用户书写的数字。在500张此类图像的测试集上，该实时平台在小于100ms的SNN仿真时间内做出预测，准确率超过97%。
引用
@article{arxiv.1711.03637,
title = {Learning and Real-time Classification of Hand-written Digits With Spiking Neural Networks},
author = {Shruti R. Kulkarni and John M. Alexiades and Bipin Rajendran},
journal= {arXiv preprint arXiv:1711.03637},
year = {2017}
}
备注
4 pages, 4 figures, 1 table, accepted at ICECS 2017