基于脉冲时序依赖可塑性与梯度下降的脉冲神经网络 SAR 图像分类
计算机视觉与模式识别
2021-06-16 v1
摘要
目前，基于卷积神经网络 (CNN) 的合成孔径雷达 (SAR) 图像分类方法面临抗噪性与泛化能力较差等问题。脉冲神经网络 (SNN) 是类脑智能的核心组成部分之一，具有良好的应用前景。本文利用具有复杂时空信息的脉冲序列，基于 SNN 的无监督与监督学习构建了完整的 SAR 图像分类器。我们首先阐述了脉冲神经元模型、SNN 的感知野以及脉冲序列的构建。随后提出了一种基于 STDP 的无监督学习算法与一种基于梯度下降的监督学习算法。在 MSTAR 数据集上，单层与双层无监督学习 SNN 对三类图像的平均分类准确率分别为 80.8% 与 85.1%。此外，无监督学习的收敛输出脉冲序列可用作教学信号。基于 TensorFlow 框架，从底层构建了单层监督学习 SNN，分类准确率达 90.05%。通过对比 SNN 与 CNN 的抗噪性及模型参数，验证了 SNN 的有效性与突出优势。复现实验的代码见 \url{https://github.com/Jiankun-chen/Supervised-SNN-with-GD}。
引用
@article{arxiv.2106.08005,
title = {SAR Image Classification Based on Spiking Neural Network through Spike-Time Dependent Plasticity and Gradient Descent},
author = {Jiankun Chen and Xiaolan Qiu and Chibiao Ding and Yirong Wu},
journal= {arXiv preprint arXiv:2106.08005},
year = {2021}
}