ScieNet：基于脉冲辅助上下文信息提取的深度学习
机器学习
2019-09-13 v1 信息检索
机器学习
摘要
深度神经网络（DNNs）提供高图像分类准确率，但当输入中存在来自各种源的扰动时，性能会显著下降。对输入扰动缺乏弹性使得 DNN 对于与物理世界交互的系统（如自动驾驶汽车、机器人等，其中不完美输入是常态）而言可靠性较低。我们提出了一种具有脉冲辅助上下文信息提取（ScieNet）的混合深度网络架构。ScieNet 将使用脉冲神经网络（SNN）进行无监督上下文信息提取的无监督学习，与为分类训练的后端 DNN 相集成。该集成网络在不依赖对扰动输入进行先验训练的情况下，展示出对输入扰动的高弹性。我们使用 CIFAR 数据集，考虑随机（噪声）和结构化（雨）输入扰动，以不同的后端 DNNs 演示了用于图像分类的 ScieNet。实验结果表明，在没有先验训练的情况下，对噪声和雨图像准确率有显著提升，同时在干净图像上保持最先进的准确率。
引用
@article{arxiv.1909.05314,
title = {ScieNet: Deep Learning with Spike-assisted Contextual Information Extraction},
author = {Xueyuan She and Yun Long and Daehyun Kim and Saibal Mukhopadhyay},
journal= {arXiv preprint arXiv:1909.05314},
year = {2019}
}