用于训练脉冲神经网络的神经形态数据增强
计算机视觉与模式识别
2022-07-21 v2
摘要
在基于事件的数据集上利用脉冲神经网络（SNNs）发展神经形态智能近来吸引了大量研究关注。然而，基于事件的数据集规模有限，使得 SNNs 易于过拟合且收敛不稳定。此前学术工作尚未探讨此问题。为尽可能缩小这一泛化差距，我们提出神经形态数据增强（NDA），一类专为基于事件的数据集设计的几何增强方法，旨在显著稳定 SNN 训练并缩小训练与测试性能之间的泛化差距。所提方法简单且与现有 SNN 训练流程兼容。利用所提增强，我们首次展示了 SNNs 无监督对比学习的可行性。我们在主流神经形态视觉基准上进行了全面实验，表明 NDA 相较先前最优结果有实质性提升。例如，基于 NDA 的 SNN 在 CIFAR10-DVS 和 N-Caltech 101 上分别取得了 10.1% 和 13.7% 的准确率提升。代码已发布于 GitHub https://github.com/Intelligent-Computing-Lab-Yale/NDA_SNN
引用
@article{arxiv.2203.06145,
title = {Neuromorphic Data Augmentation for Training Spiking Neural Networks},
author = {Yuhang Li and Youngeun Kim and Hyoungseob Park and Tamar Geller and Priyadarshini Panda},
journal= {arXiv preprint arXiv:2203.06145},
year = {2022}
}
备注
Accepted to the 17th European Conference on Computer Vision (ECCV 2022)