基于多尺度时空特征与脉冲神经元的无监督 AER 物体识别
神经与进化计算
2019-11-20 v1 计算机视觉与模式识别
图像与视频处理
摘要
本文提出一种无监督地址事件表示（AER）物体识别方法。所提方法由一种新颖的输入 AER 事件的多尺度时空特征（MuST）表示，以及使用脉冲时间依赖可塑性（STDP）的脉冲神经网络（SNN）利用 MuST 进行物体识别构成。MuST 提取 AER 事件流的空间与时间信息中所包含的特征，同时形成信息丰富且紧凑的特征脉冲表示。我们不仅展示了 MuST 如何利用脉冲更有效地传递信息，还展示了它如何有益于使用 SNN 的识别。识别过程以无监督方式执行，无需指定 SNN 中每个单个神经元的期望状态，从而可灵活应用于现实世界的识别任务。实验在五个 AER 数据集上执行，包括一个名为 GESTURE-DVS 的新数据集。大量实验结果表明了所提方法的有效性与优势。
引用
@article{arxiv.1911.08261,
title = {Unsupervised AER Object Recognition Based on Multiscale Spatio-Temporal Features and Spiking Neurons},
author = {Qianhui Liu and Gang Pan and Haibo Ruan and Dong Xing and Qi Xu and Huajin Tang},
journal= {arXiv preprint arXiv:1911.08261},
year = {2019}
}