PLSM：用于无意动作检测的并行化液态机
计算机视觉与模式识别
2021-05-21 v1 人工智能
神经与进化计算
摘要
储备池计算（Reservoir Computing, RC）为在低端嵌入式系统平台上部署AI算法提供了一种可行方案。液态机（Liquid State Machine, LSM）是一种受生物启发的RC模型，其模拟皮层微回路并使用脉冲神经网络（SNN），可直接在神经形态硬件上实现。本文提出一种新颖的并行化液态机（PLSM）架构，其引入了时空读出层及对模型输出的语义约束。据我们所知，此类形式化在文献中尚属首次，其相较于传统深度学习模型具有更低的计算开销。此外，我们还给出了一种兼容GPU、可并行化SNN与LSM实现的完整算法。我们使用Oops数据集将PLSM模型用于无意/意外视频片段的分类。从视频中无意动作检测的实验结果可见，我们所提模型优于一种自监督模型与一种全监督传统深度学习模型。所有实现代码见我们的仓库 https://github.com/anonymoussentience2020/Parallelized_LSM_for_Unintentional_Action_Recognition。
引用
@article{arxiv.2105.09909,
title = {PLSM: A Parallelized Liquid State Machine for Unintentional Action Detection},
author = {Dipayan Das and Saumik Bhattacharya and Umapada Pal and Sukalpa Chanda},
journal= {arXiv preprint arXiv:2105.09909},
year = {2021}
}