用于超低延迟与高精度目标检测的脉冲神经网络
计算机视觉与模式识别
2023-06-28 v2 神经与进化计算
摘要
脉冲神经网络（SNNs）因其能效和受脑启发的事件驱动特性而广受关注。尽管 Spiking-YOLO 等近期方法已将 SNNs 拓展至更具挑战性的目标检测任务，它们常受高延迟与低检测精度所困，难以部署于对延迟敏感的移动平台。此外，从人工神经网络（ANNs）到 SNNs 的转换方法难以保持 ANNs 的完整结构，导致特征表示不佳与高转换误差。为应对这些挑战，我们提出两种方法：时间步压缩与依赖于脉冲时间的积分（STDI）编码。前者通过压缩信息减少 ANN-SNN 转换所需的时间步，后者设置时变阈值以扩展信息保持容量。我们还提出一种基于 SNN 的超低延迟高精度目标检测模型（SUHD），在 PASCAL VOC 和 MS COCO 等大型数据集上取得最先进性能，相较 MS COCO 数据集上的 Spiking-YOLO，时间步减少约惊人的 750 倍，平均精度均值（mAP）提升 30%。据我们所知，SUHD 是迄今最深的基于脉冲的目标检测模型，以超低时间步完成无损转换。
引用
@article{arxiv.2306.12010,
title = {Spiking Neural Network for Ultra-low-latency and High-accurate Object Detection},
author = {Jinye Qu and Zeyu Gao and Tielin Zhang and Yanfeng Lu and Huajin Tang and Hong Qiao},
journal= {arXiv preprint arXiv:2306.12010},
year = {2023}
}
备注
14 pages, 10 figures