在脉冲神经元层中学习异质延迟以实现快速运动检测

神经元发放脉冲的精确时序在塑造传出生物神经元的响应中起着关键作用。神经活动的这一时间维度对于理解神经生物学中的信息处理具有重要意义，尤其对于事件相机等神经形态硬件的性能而言。然而，许多人工神经模型忽视了这一关键的时间维度。在本研究中，我们提出一种模型，利用配备异质突触延迟的脉冲神经元层高效检测时间脉冲基序。我们的模型利用树突上存在的多样化突触延迟，使特定排列的时间精确突触输入在到达基底树突树时实现同步。我们将此过程形式化为一个时不变逻辑回归，可使用标记数据进行训练。为证明其实际效能，我们将该模型应用于转化为事件流的自然视频，模拟生物视网膜或事件相机的输出。为评估模型检测视觉运动的鲁棒性，我们通过选择性剪枝权重进行实验，表明即便在工作量显著减少下模型仍保持高效。总之，通过提供一个全面的事件驱动计算构件，异质延迟的引入有望大幅提升未来脉冲神经网络算法（尤其在神经形态芯片背景下）的性能。