SIT：一种用于脉冲神经网络的仿生非线性神经元
计算机视觉与模式识别
2022-04-04 v2 神经与进化计算
摘要
脉冲神经网络（SNNs）因其处理时序信息的能力和低功耗特性引起了研究人员的兴趣。然而，当前最先进的方法限制了其生物学合理性与性能，因为其神经元通常基于简单的漏积分发放（LIF）模型构建。由于动态复杂性高，现代神经元模型很少在 SNN 实践中被实现。在本研究中，我们采用神经动力学领域常用的相平面分析（PPA）技术，整合近期的一种神经元模型，即 Izhikevich 神经元。基于神经科学进展中的发现，Izhikevich 神经元模型在保持与 LIF 神经元相当计算成本的同时具有生物学合理性。利用所采用的 PPA，我们成功将基于改进 Izhikevich 模型构建的神经元投入 SNN 实践，称之为标准化 Izhikevich 紧张性（SIT）神经元。在性能方面，我们在自建的由 LIF 和 SIT 组成的 SNN（称为混合神经网络（HNN））上，针对静态 MNIST、Fashion-MNIST、CIFAR-10 数据集以及神经形态 N-MNIST、CIFAR10-DVS 和 DVS128 Gesture 数据集评估了所提方法的图像分类任务表现。实验结果表明，所提方法在几乎所有测试数据集上取得了相当的准确率，同时表现出更具生物学真实性的行为，证明了这一新策略在弥合神经动力学与 SNN 实践之间的差距方面的有效性。
引用
@article{arxiv.2203.16117,
title = {SIT: A Bionic and Non-Linear Neuron for Spiking Neural Network},
author = {Cheng Jin and Rui-Jie Zhu and Xiao Wu and Liang-Jian Deng},
journal= {arXiv preprint arXiv:2203.16117},
year = {2022}
}