通过无约束集成-发放-发放神经元和混合编码优化脉冲神经网络的时间-空间信息处理
神经与进化计算
2025-04-02 v2
摘要
脉冲神经网络 (SNN) 因其独特的放电驱动机制而比人工神经网络 (ANN) 更具能源效率。此外，SNN 具有一个关键特征，即能够处理时空信息。然而，这一能力在实际应用中受到内部和外部因素的限制，从而影响 SNN 的性能。首先，SNN 的内部问题在于其网络结构和神经元模型的内在局限性，这导致在处理包含复杂时序信息的输入数据时，网络对不同时间维度的信息采用统一的处理方法。其次，SNN 的外部问题在于其常用的直接编码方法，这种方法在每个时间步骤都为输入使用相同的特征图，未能充分发挥 SNN 的时空特征。为解决这些问题，本文提出了一种无约束集成-发放-发放 (ULIF) 神经元模型，允许在不同时间步骤学习不同的膜电位参数，从而增强 SNN 处理不同时间维度信息的能力。此外，本文提出了一种混合编码方案，以解决直接编码缺乏时序维度信息的问题。实验结果表明，所提出的方法有效地提高了 SNN 在目标检测和目标识别任务中的整体性能。相关代码可在 https://github.com/hhx0320/ASNN 上获取。
引用
@article{arxiv.2408.12407,
title = {Optimizing Spatio-Temporal Information Processing in Spiking Neural Networks via Unconstrained Leaky Integrate-and-Fire Neurons and Hybrid Coding},
author = {Huaxu He},
journal= {arXiv preprint arXiv:2408.12407},
year = {2025}
}