Spiking SiamFC++：用于目标跟踪的深度脉冲神经网络
计算机视觉与模式识别
2022-09-27 v1 人工智能
摘要
脉冲神经网络（SNN）是一种生物学上合理的模型，具有高计算能力和低功耗的优势。然而深度SNN的训练仍是一个开放性问题，限制了深度SNN的实际应用。本文提出一种名为Spiking SiamFC++的深度SNN架构，用于端到端直接训练的目标跟踪。具体而言，将AlexNet网络在时间域上扩展以提取特征，并采用替代梯度函数实现深度SNN的直接有监督训练。为检验Spiking SiamFC++的性能，考虑了包括OTB2013、OTB2015、VOT2015、VOT2016和UAV123在内的多个跟踪基准。研究发现，与原版SiamFC++相比精度损失很小。与现有的基于SNN的目标跟踪器（如SiamSNN）相比，所提出的Spiking SiamFC++的精度（成功率）达到85.24%（64.37%），远高于SiamSNN的52.78%（44.32%）。据我们所知，Spiking SiamFC++的性能优于现有基于SNN目标跟踪的state-of-the-art方法，为目标跟踪领域中SNN的应用提供了一条新路径。本工作可进一步促进SNN算法与神经形态芯片的发展。
引用
@article{arxiv.2209.12010,
title = {Spiking SiamFC++: Deep Spiking Neural Network for Object Tracking},
author = {Shuiying Xiang and Tao Zhang and Shuqing Jiang and Yanan Han and Yahui Zhang and Chenyang Du and Xingxing Guo and Licun Yu and Yuechun Shi and Yue Hao},
journal= {arXiv preprint arXiv:2209.12010},
year = {2022}
}