通过反向传播训练的脉冲神经网络用于低功耗神经形态语音活动检测实现
音频与语音处理
2020-05-01 v2 神经与进化计算
摘要
语音活动检测（VAD）的近期进展由人工神经网络与循环神经网络（RNNs）推动，然而，在电池供电设备中使用 VAD 系统需要更高的功率效率。这可通过神经形态硬件实现，其使脉冲神经网络（SNNs）以极低的能耗执行推理。脉冲网络的特征在于其能够以称为脉冲的稀疏二进制事件时间序列中高效处理信息。然而，人工网络与脉冲网络之间存在较大的性能差距，主要源于缺乏强大的 SNN 训练算法。为克服该问题，我们利用一种可重构为类 RNN 模型并可用已知深度学习技术训练的 SNN 模型。我们描述了一种实现低脉冲活动并采用剪枝算法去除 85% 网络连线而无性能损失的 SNN 训练流程。该模型以其他方法一小部分功耗实现了最先进的性能。
引用
@article{arxiv.1910.09993,
title = {Spiking neural networks trained with backpropagation for low power neuromorphic implementation of voice activity detection},
author = {Flavio Martinelli and Giorgia Dellaferrera and Pablo Mainar and Milos Cernak},
journal= {arXiv preprint arXiv:1910.09993},
year = {2020}
}
备注
5 pages, 2 figures, 2 tables