基于加权神经元分配的尖峰神经网络视觉位置识别
计算机视觉与模式识别
2022-02-11 v2 机器人学
摘要
尖峰神经网络(SNNs)兼具引人注目的潜在优势（包括能效与低延迟）与挑战（包括事件尖峰的不可微本质）。该领域初期研究多将深度神经网络转换为等价 SNNs，但这种转换方法可能抵消从零开发的基于 SNN 方法的部分优势。高性能 SNNs 的一个有前景方向是模板匹配与图像识别。本研究提出首个用于视觉位置识别(VPR)任务的高性能 SNN：给定查询图像，SNN 需从参考图像列表中找到最匹配项。该新系统的核心是一种新颖的分配方案，其通过上调单位置编码神经元权重、下调对多个不同参考位置响应的“模糊”神经元权重，实现一种基于模糊度感知显著性的机制。在 Nordland、Oxford RobotCar、SPEDTest、Synthia 和 St Lucia 等具有挑战性数据集的一系列实验中，我们表明该 SNN 取得了与 SOTA 及经典技术相当的 VPR 性能，且随参考位置数量增加性能优雅退化。我们的结果朝能提供鲁棒、节能、低延迟机器人定位的 SNNs 迈出了重要一步。
引用
@article{arxiv.2109.06452,
title = {Spiking Neural Networks for Visual Place Recognition via Weighted Neuronal Assignments},
author = {Somayeh Hussaini and Michael Milford and Tobias Fischer},
journal= {arXiv preprint arXiv:2109.06452},
year = {2022}
}
备注
8 pages, 6 figures, IEEE Robotics and Automation Letters (RA-L), also accepted to IEEE International Conference on Robotics and Automation (ICRA 2022)