当传统机器学习遇上神经形态工程：深度时序网络（DTNets）——一种可处理事件与图像帧并可部署于类TensorFlow硬件的机器学习框架
神经与进化计算
2018-11-20 v1 机器学习
摘要
本文介绍深度时序网络（Deep Temporal Networks）的原理，其通过允许不仅利用空间信息还利用逐渐增大的时间窗口进行深度整合，从而为卷积网络加入时间维度。该概念既可用于传统图像输入，也可用于基于事件的数据。尽管其受大脑在逐渐增大的空间与时间尺度上整合信息的架构启发，但它可利用现有架构在传统硬件上运行。我们给出初步结果以展示该方法的有效性。更深入的结果与分析将很快报道。
引用
@article{arxiv.1811.07672,
title = {When Conventional machine learning meets neuromorphic engineering: Deep Temporal Networks (DTNets) a machine learning frawmework allowing to operate on Events and Frames and implantable on Tensor Flow Like Hardware},
author = {Marco Macanovic and Fabian Chersi and Felix Rutard and Sio-Hoi Ieng and Ryad Benosman},
journal= {arXiv preprint arXiv:1811.07672},
year = {2018}
}