Spiking-YOLO:用于节能目标检测的脉冲神经网络
计算机视觉与模式识别
2019-11-26 v2 机器学习
机器学习
摘要
过去十年间,深度神经网络(DNNs)在多种应用中展现出卓越性能。随着我们尝试解决更先进的问题,对计算和功耗资源的需求增长已不可避免。脉冲神经网络(SNNs)因其事件驱动和低功耗特性作为第三代神经网络受到广泛关注。然而,SNNs难以训练,主要源于神经元复杂动态及不可微分脉冲操作。此外,其应用局限于图像分类等较简单任务。本研究探讨了SNNs在更具挑战性的回归问题(即目标检测)中的性能退化。通过深入分析,我们提出两种新方法:通道归一化与带非平衡阈值的符号神经元,二者均为深度SNNs提供快速准确的信息传输。据此,我们提出首个基于脉冲的目标检测模型Spiking-YOLO。实验表明,Spiking-YOLO在PASCAL VOC和MS COCO等非平凡数据集上取得与Tiny YOLO相当(最高98%)的显著结果。此外,Spiking-YOLO在神经形态芯片上能耗约为Tiny YOLO的1/280,且比先前SNN转换方法快2.3至4倍收敛。
引用
@article{arxiv.1903.06530,
title = {Spiking-YOLO: Spiking Neural Network for Energy-Efficient Object Detection},
author = {Seijoon Kim and Seongsik Park and Byunggook Na and Sungroh Yoon},
journal= {arXiv preprint arXiv:1903.06530},
year = {2019}
}
备注
Accepted to AAAI 2020