基于脉冲点变换器的点云分类
机器学习
2025-02-27 v1 人工智能
神经与进化计算
摘要
脉冲神经网络（SNN）因其稀疏二进制激活，相较于传统人工神经网络（ANN）具有具有吸引力且能耗更低的优势。当SNN遇上变换器时，在2D图像处理方面展现出巨大的潜力。然而，其在3D点云上的应用仍未得到充分探索。为此，我们提出了脉冲点变换器（Spiking Point Transformer, SPT），即首个基于变换器的SNN框架，用于点云分类。具体而言，我们首先设计了基于队列驱动的采样直接编码，用于点云，以减少计算成本，同时保留每个时间步骤中最有效的支撑点。我们引入了混合动力学积分触发神经元（Hybrid Dynamics Integrate-and-Fire Neuron, HD-IF），旨在模拟选择性神经元激活，减少对特定人工神经元的依赖。SPT在三个基准数据集上实现了状态最佳结果，这些数据集涵盖了SNN领域中的真实数据集和合成数据集。同时，SPT的理论能耗至少比其ANN对应版本低6.4倍。
关键词
引用
@article{arxiv.2502.15811,
title = {Spiking Point Transformer for Point Cloud Classification},
author = {Peixi Wu and Bosong Chai and Hebei Li and Menghua Zheng and Yansong Peng and Zeyu Wang and Xuan Nie and Yueyi Zhang and Xiaoyan Sun},
journal= {arXiv preprint arXiv:2502.15811},
year = {2025}
}
备注
Accepted by AAAI 2025