CN105760930A - 用于aer的多层脉冲神经网络识别系统 - Google Patents
用于aer的多层脉冲神经网络识别系统 Download PDFInfo
- Publication number
- CN105760930A CN105760930A CN201610093545.0A CN201610093545A CN105760930A CN 105760930 A CN105760930 A CN 105760930A CN 201610093545 A CN201610093545 A CN 201610093545A CN 105760930 A CN105760930 A CN 105760930A
- Authority
- CN
- China
- Prior art keywords
- neuron
- layer
- pulse
- multilayer
- aer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理识别领域,为提出一种用于AER传感器的多层脉冲神经网络,可以利用此网络实现目标的识别。本发明采用的技术方案是,用于AER的多层脉冲神经网络识别系统,包括如下模块:整合与火IF神经元模型(Integrate?and?Fire neuron);多层脉冲神经网络包含4层脉冲神经元:第一层特征提取层T1,第二层特征提取层T2,池化层P和识别层R;T1,T2,P,R层都采用上述IF神经元模型来构建整个脉冲神经网络。本发明主要应用于图像处理识别场合。
Description
技术领域
本发明涉及图像处理识别领域,尤其涉及一种将脉冲神经网络(Spiking NerualNetwork,SNN)用于目标图像的处理识别。
背景技术
脉冲神经网络(SNN)被称作第三代神经网络,它代表着生物神经科学和人工神经网络领域内的最新研究成果。SNN依据生物中观察到的LTP(Long Term Potentiation)、LTD(Long Term Depression)、STDP(Spike Timing Dependent Plasticity)等现象,可以利用脉冲发放的精确时间进行信息的处理。基于脉冲精确定时特性的脉冲神经网络拥有非常强大的计算能力,可以模拟各种神经元信号和任意的连续函数,非常适用于信号的处理问题。
脉冲神经网络(SNN)不能直接用模拟量进行计算,其输入输出必须是脉冲序列,所以必须通过一定的方法将模拟量转成脉冲序列,然后再将脉冲序列输入到脉冲神经网络中。目前已经有很多编码方法被报道出来,Time-to-first-spike方法是一种比较简单的将模拟量转变成脉冲发放时间的编码方法,由于它的原理简单,实现容易,得到了广泛的应用;而相位编码思想的特点在于可以对随着时间变化的模拟量进行编码;阈值编码的思想是将模拟量超过阈值的时刻表示脉冲生成的时刻,由此产生一个脉冲序列。
AER(Address-Event Representation,AER,地址-事件表示)图像传感器的输出中包含了事件的地址信息,时间信息,具有超高速,高实时性等特点。根据脉冲神经网络的数据处理方式,可以将AER图像传感器的输出数据直接输入到脉冲神经网络中进行处理运算。
发明内容
为克服现有技术的不足,本发明旨在根据AER表示方法及脉冲神经网络的特点,提出一种用于AER传感器的多层脉冲神经网络,可以利用此网络实现目标的识别。本发明采用的技术方案是用于AER的多层脉冲神经网络识别系统,包括如下模块:
整合与火IF神经元模型(Integrate-and-Fire neuron),结构是,I1和I2分别代表两个输入脉冲序列,两个输入脉冲序列分别对应输入两个脉冲神经元V1、V2,两个脉冲神经元V1、V2产生的输出脉冲序列分别用O1和O2表示,神经元之间存在的相互抑制作用称为侧向抑制;
多层脉冲神经网络包含4层脉冲神经元:第一层特征提取层T1,第二层特征提取层T2,池化层P和识别层R;T1,T2,P,R层都采用上述IF神经元模型来构建整个脉冲神经网络,当其中一个脉冲神经元收到前一层脉冲神经元来的脉冲时,该脉冲神经元的膜电势变化过程:
如果ti-tlastspike<trefr则否则
如果则tlastspike←ti产生输出脉冲;
其中,ti是第i个脉冲到达神经元的时间,tlastspike是当前神经元产生上一个脉冲的时间,trefr是神经元的耐火周期,是第i个脉冲输入后该神经元的膜电势,是第i-1个脉冲输入后该神经元的膜电势,Il是漏电流,Cm是膜电容,ωi是突触权值,Vthresh是当前神经元的阈值电压。
神经元在每接收到一个输入脉冲时,其膜电势V1或V2会相应的增加或减少,增加或减少的值由突触权值来决定,当膜电势V1或V2超过设定的阈值电压时,就会产生输出脉冲O1和O2,同时该神经元进入耐火周期,在耐火周期内,神经元在收到输入脉冲时膜电势也并不会发生变化,始终处于最小值状态。
特征提取层T1:层中采用Gabor函数来运算生成卷积核,并将计算得到的卷积核配置到神经元中,作为神经元的突触权值,Gabor函数的计算如公式(2)所示:
μ0=μcosθ+vsinθ (2)
v0=-μsinθ+vcosθ
其中μ和ν分别代表生成的卷积核的横纵坐标,λ代表正弦函数波长;θ代表Gabor核函数的方向,σ代表高斯函数的标准差,γ代表空间长宽比,决定Gabor函数的形状,在本层中,只选定一种尺度,计算多种角度的卷积核,将其配置到神经元中,作为神经元的突触权值;若AER图像传感的输出分辨率是N×N,该层拟采用M种角度的卷积核,则该层需要的神经元数量为N×N×M,神经元配置适当的参数后,神经元的膜电势会按照公式(1)变化。
特征提取层T2:T1层某个神经元膜电势达到阈值时,该神经元会产生脉冲输出,T2层会接收T1产生的脉冲序列,将接收到的脉冲序列分别输入不同的通道,不同通道的神经元会配置不同的突触权值,每个通道会使用相同尺度但是不同角度的Gabor函数计算的卷积核,做为神经元的突触权值,但是不同通道之间Gabor函数的尺度也会不同,本层所有通道使用的Gabor卷积核尺度都比T1层小。
池化层P:将T2层中每相邻不重叠4×4区域的神经元的输出,作为一个单元,输入到P层的一个神经元中,此过程相当于卷积神经网络中的池化过程pooling,该层神经元的阈值电压<2毫伏,以保证尽量多的神经元会超过阈值电压,产生输出脉冲;
识别层R:原始待识别样本分为训练样本和测试样本,训练样本和测试样本分别经过上述过程的处理,将训练样本的P层输出,输入到识别层中,并采用Tempotron LearningRule监督学习算法对该层脉冲神经元进行训练,经过大量的训练后,就可以将测试样本的P层输出,输入到该识别层中,测试识别的准确率。
本发明的特点及有益效果是:
本发明提出的多层脉冲神经网络可以充分利用AER图像传感器输出事件中包含的时间信息,计算更加自由,采用多层提取特征的方法,减小了识别层的计算量,提高识别的准确率。
附图说明:
图1 IF神经元模型工作原理。
图2多层脉冲神经网络结构图。
图3特征提取层。
具体实施方式
组成脉冲神经网络的神经元模型有很多种,常用的构成脉冲神经网络的神经元模型有脉冲响应模型(Spike Response Model)和Integrate-and-Fire神经元模型,它们被广泛应用于图像处理领域。本发明中采用的是一种简化的Integrate-and-Fire neuron(IF)神经元模型,以此神经元模型为基础来构建整个脉冲神经网络。该神经元模型具有线性的衰减率和耐火(refractory)周期,结构如图1所示。脉冲神经元的输入只能是包含时间信息的脉冲序列,图1上半部分中I1和I2分别代表两个输入脉冲序列,两个脉冲神经元膜电势分别用V1和V2表示,产生的输出脉冲序列分别用O1和O2表示,神经元之间存在的相互抑制作用称为侧向抑制,图1中用Reset来表示。图1的下半部分描述了两个神经元在接收到输入脉冲后膜电势的变化,神经元在每接收到一个输入脉冲时,其膜电势V1或V2会相应的增加或减少,增加或减少的值由突触权值来决定,图1中只描述了膜电势增加的情况,当膜电势V1或V2超过设定的阈值电压时,就会产生输出脉冲O1和O2,同时该神经元进入耐火周期,图中用trefr表示。在耐火周期内,神经元在收到输入脉冲时膜电势也并不会发生变化,始终处于最小值状态。
采用该简化的IF神经元模型,可以确保每个神经元的输出脉冲只能由兴奋性输入脉冲触发,而不会由亚阈值膜电势触发,当一个输入到达神经元时,该神经元的膜电势只能由上次更新的时间和上次更新后的状态决定,因此我们只需要更新收到脉冲的神经元的电势。由多个脉冲神经元可以组成多层的脉冲神经网络,当其中一个神经元收到前一层神经元来的脉冲时,该神经元的膜电势变化如图1所示,公式(1)利用数学公式描述了这一变化过程:
如果ti-tlastspike<trefr则否则
如果则tlastspike←ti产生输出脉冲。
其中,ti是第i个脉冲到达神经元的时间,tlastspike是当前神经元产生上一个脉冲的时间,trefr是神经元的耐火周期,是第i个脉冲输入后该神经元的膜电势,是第i-1个脉冲输入后该神经元的膜电势,Il是漏电流,Cm是膜电容,ωi是突触权值,Vthresh是当前神经元的阈值电压。
对于AER图像传感器来说,越是陡峭的形状边缘,输出事件的产生率会越高。神经元的突触权值和输出事件的空间相关性越高,该神经元的活动就会更加强烈。活动最强的神经元,其膜电势会比其他神经元更快超过阈值电压,因此可以以此来判断活动最强的神经元。基于这种机制,本发明提出的方法我们只关注哪个神经元最先做出响应,产生脉冲,以此来判断出活动最强的神经元。
本发明提出的方法中包含4层脉冲神经元,其结构如图2所示:第一层特征提取层(T1),第二层特征提取层(T2),池化层(P)和识别层(R)。T1,T2,P,R层都采用上述描述的简化的IF神经元模型来构建整个脉冲神经网络,但需要配置不同的参数,包括公式(1)中的神经元的耐火周期,漏电流,膜电容,突触权值,阈值电压。本结构的主要特点是充分利用脉冲的时间信息来编码神经元的活动强度,活动越强的神经元可以越早的产生脉冲。
本发明中将AER事件作为输入脉冲,由于AER图像传感器的输出具有异步性特点,可以摆脱系统时钟的限制,保证了在计算中可以更加自由的充分利用输出事件的时间信息。
特征提取层T1:在图像处理中,Gabor函数是一个用于边缘提取的线性滤波器。在本发明中该层中采用Gabor函数来运算生成卷积核,并将计算得到的卷积核配置到神经元中,作为神经元的突触权值。Gabor函数的计算如公式(2)所示:
μ0=μcosθ+vsinθ (2)
v0=-μsinθ+vcosθ
其中μ和ν分别代表生成的卷积核的横纵坐标,λ代表正弦函数波长;θ代表Gabor核函数的方向,σ代表高斯函数的标准差,γ代表空间长宽比,决定Gabor函数的形状。根据需要改变上述参数的值可以产生不同尺度,不同角度的卷积核。在本层中,我们只选定一种尺度,但是会计算多种角度的卷积核,将其配置到神经元中,作为神经元的突触权值。若AER图像传感的输出分辨率是N×N,该层拟采用M种角度的卷积核,则该层需要的神经元数量为N×N×M,神经元配置适当的参数后,神经元的膜电势会按照公式(1)变化。特征提取层1(T1)中采用Gabor公式计算的卷积核作为突触权值,公式(1)中的λ=5,σ=2.8,卷积核的尺度设为9×9,共设置12个角度,如图2所示,每个子图上方的黑色斜线段表示卷积核的角度,神经元的阈值电压Vthresh=200mV,Il/Cm=50,trefr=5,M=12。
特征提取层T2:T1层某个神经元膜电势达到阈值时,该神经元会产生脉冲输出,T2层会包含不同的输入通道,每个通道都会接收T1产生的脉冲序列,不同通道的神经元会配置不同的突触权值,每个通道会使用相同尺度但是不同角度的Gabor函数计算的卷积核,作为神经元的突触权值,但是不同通道之间Gabor函数的尺度也会不同,该层所有通道使用的Gabor卷积核尺度都比T1层小,可以提取更为精确的特征信息。特征提取层2(T2)设置3个通道,公式(1)中的λ=5,σ=2.8,每个通道卷积核尺度分别为3×3,5×5,7×7,每种尺度又选择4中不同的角度0°,45°,90°,135°,因此T2层总共采用12种卷积核,神经元的阈值电压Vthresh=100mV,Il/Cm=20,trefr=2,该层需要的神经元个数为N×N×12×3。
池化层P:将T2层中每相邻不重叠4×4区域的神经元的输出,作为一个单元,输入到P层的一个神经元中,此过程相当于卷积神经网络中的池化过程(pooling)。该层神经元的阈值电压设置为一个小于2毫伏值,以保证尽量多的神经元会超过阈值电压,产生输出脉冲。池化层(P)神经元的阈值电压Vthresh=1mV,Il/Cm=0,trefr=5,该层需要的神经元个数为N/4×N/4×12×3。
识别层R:原始待识别样本(图片)分为训练样本和测试样本,训练样本和测试样本分别经过上述过程的处理。将训练样本的P层输出,输入到识别层中,并采用TempotronLearning Rule监督学习算法对该层脉冲神经元进行训练,经过大量的训练后,就可以将测试样本的P层输出,输入到该识别层中,测试识别的准确率,该层的相关参数按照经验值设置即可。
Claims (6)
1.一种用于AER的多层脉冲神经网络识别系统,其特征是,包括如下模块:
整合与火IF神经元模型(Integrate-and-Fire neuron),结构是,I1和I2分别代表两个输入脉冲序列,两个输入脉冲序列分别对应输入两个脉冲神经元V1、V2,两个脉冲神经元V1、V2产生的输出脉冲序列分别用O1和O2表示,神经元之间存在的相互抑制作用称为侧向抑制;
多层脉冲神经网络包含4层脉冲神经元:第一层特征提取层T1,第二层特征提取层T2,池化层P和识别层R;T1,T2,P,R层都采用上述IF神经元模型来构建整个脉冲神经网络,当其中一个脉冲神经元收到前一层脉冲神经元来的脉冲时,该脉冲神经元的膜电势变化过程:
如果ti-tlastspike<trefr则否则
如果则tlastspike←ti产生输出脉冲;
其中,ti是第i个脉冲到达神经元的时间,tlastspike是当前神经元产生上一个脉冲的时间,trefr是神经元的耐火周期,是第i个脉冲输入后该神经元的膜电势,是第i-1个脉冲输入后该神经元的膜电势,Il是漏电流,Cm是膜电容,ωi是突触权值,Vthresh是当前神经元的阈值电压。
2.如权利要求1所述的用于AER的多层脉冲神经网络识别系统,其特征是,神经元在每接收到一个输入脉冲时,其膜电势V1或V2会相应的增加或减少,增加或减少的值由突触权值来决定,当膜电势V1或V2超过设定的阈值电压时,就会产生输出脉冲O1和O2,同时该神经元进入耐火周期,在耐火周期内,神经元在收到输入脉冲时膜电势也并不会发生变化,始终处于最小值状态。
3.如权利要求1所述的用于AER的多层脉冲神经网络识别系统,其特征是,特征提取层T1:层中采用Gabor函数来运算生成卷积核,并将计算得到的卷积核配置到神经元中,作为神经元的突触权值,Gabor函数的计算如公式(2)所示:
其中μ和v分别代表生成的卷积核的横纵坐标,λ代表正弦函数波长;θ代表Gabor核函数的方向,σ代表高斯函数的标准差,γ代表空间长宽比,决定Gabor函数的形状,在本层中,只选定一种尺度,计算多种角度的卷积核,将其配置到神经元中,作为神经元的突触权值;若AER图像传感的输出分辨率是N×N,该层拟采用M种角度的卷积核,则该层需要的神经元数量为N×N×M,神经元配置适当的参数后,神经元的膜电势会按照公式(1)变化。
4.如权利要求1所述的用于AER的多层脉冲神经网络识别系统,其特征是,特征提取层T2:特征提取层T2:T1层某个神经元膜电势达到阈值时,该神经元会产生脉冲输出,T2层会接收T1产生的脉冲序列,将接收到的脉冲序列分别输入不同的通道,不同通道的神经元会配置不同的突触权值,每个通道会使用相同尺度但是不同角度的Gabor函数计算的卷积核,做为神经元的突触权值,但是不同通道之间Gabor函数的尺度也会不同,本层所有通道使用的Gabor卷积核尺度都比T1层小。
5.如权利要求1所述的用于AER的多层脉冲神经网络识别系统,其特征是,池化层P:将T2层中每相邻不重叠4×4区域的神经元的输出,作为一个单元,输入到P层的一个神经元中,此过程相当于卷积神经网络中的池化过程pooling,该层神经元的阈值电压<2毫伏,以保证尽量多的神经元会超过阈值电压,产生输出脉冲。
6.如权利要求1所述的用于AER的多层脉冲神经网络识别系统,其特征是,识别层R:原始待识别样本分为训练样本和测试样本,训练样本和测试样本分别经过上述过程的处理,将训练样本的P层输出,输入到识别层中,并采用Tempotron Learning Rule监督学习算法对该层脉冲神经元进行训练,经过大量的训练后,就可以将测试样本的P层输出,输入到该识别层中,测试识别的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610093545.0A CN105760930B (zh) | 2016-02-18 | 2016-02-18 | 用于aer的多层脉冲神经网络识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610093545.0A CN105760930B (zh) | 2016-02-18 | 2016-02-18 | 用于aer的多层脉冲神经网络识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105760930A true CN105760930A (zh) | 2016-07-13 |
CN105760930B CN105760930B (zh) | 2018-06-05 |
Family
ID=56330212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610093545.0A Active CN105760930B (zh) | 2016-02-18 | 2016-02-18 | 用于aer的多层脉冲神经网络识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105760930B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407990A (zh) * | 2016-09-10 | 2017-02-15 | 天津大学 | 基于事件驱动的仿生目标识别系统 |
CN106446937A (zh) * | 2016-09-08 | 2017-02-22 | 天津大学 | 用于aer图像传感器的多层卷积识别系统 |
CN106779056A (zh) * | 2016-12-21 | 2017-05-31 | 天津大学 | 用于aer前馈分类系统的脉冲神经元硬件架构 |
CN106845539A (zh) * | 2017-01-09 | 2017-06-13 | 天津大学 | 用于aer传感器的脉冲神经网络 |
CN106845541A (zh) * | 2017-01-17 | 2017-06-13 | 杭州电子科技大学 | 一种基于生物视觉与精确脉冲驱动神经网络的图像识别方法 |
CN106898011A (zh) * | 2017-01-06 | 2017-06-27 | 广东工业大学 | 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 |
CN107092959A (zh) * | 2017-04-07 | 2017-08-25 | 武汉大学 | 基于stdp非监督学习算法的硬件友好型脉冲神经网络模型 |
CN107766935A (zh) * | 2016-08-22 | 2018-03-06 | 耐能有限公司 | 多层人造神经网络 |
CN107798384A (zh) * | 2017-10-31 | 2018-03-13 | 泰山医学院 | 可进化脉冲神经网络构建方法和装置 |
CN108121878A (zh) * | 2018-01-05 | 2018-06-05 | 吉林大学 | 自动编码震源信号的脉冲神经网络模型 |
CN108304913A (zh) * | 2017-12-30 | 2018-07-20 | 北京理工大学 | 一种利用脉冲神经元阵列来实现卷积功能的方法 |
CN108446757A (zh) * | 2017-12-29 | 2018-08-24 | 北京理工大学 | 一种基于脉冲神经网络的多级延时级联的速度识别系统与方法 |
CN108470190A (zh) * | 2018-03-09 | 2018-08-31 | 北京大学 | 基于fpga定制脉冲神经网络的图像识别方法 |
CN108629403A (zh) * | 2017-03-24 | 2018-10-09 | 英特尔公司 | 处理脉冲神经网络中的信号饱和 |
CN109102000A (zh) * | 2018-09-05 | 2018-12-28 | 杭州电子科技大学 | 一种基于分层特征提取与多层脉冲神经网络的图像识别方法 |
CN109117884A (zh) * | 2018-08-16 | 2019-01-01 | 电子科技大学 | 一种基于改进监督学习算法的图像识别方法 |
CN109800855A (zh) * | 2018-12-14 | 2019-05-24 | 合肥阿巴赛信息科技有限公司 | 一种基于几何算子的卷积神经网络搭建方法 |
CN109816026A (zh) * | 2019-01-29 | 2019-05-28 | 清华大学 | 卷积神经网络和脉冲神经网络的融合结构及方法 |
CN110378469A (zh) * | 2019-07-11 | 2019-10-25 | 中国人民解放军国防科技大学 | 基于异步电路的scnn推理装置及其pe单元、处理器及计算机设备 |
CN110705428A (zh) * | 2019-09-26 | 2020-01-17 | 北京智能工场科技有限公司 | 一种基于脉冲神经网络的脸部年龄识别系统及方法 |
CN110782452A (zh) * | 2019-11-05 | 2020-02-11 | 厦门大学 | 一种t2定量图像成像方法及系统 |
GB2583745A (en) * | 2019-05-08 | 2020-11-11 | Mindtrace Ltd | Neural network for processing sensor data |
CN113255905A (zh) * | 2021-07-16 | 2021-08-13 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
TWI751931B (zh) * | 2020-05-04 | 2022-01-01 | 神盾股份有限公司 | 用於執行卷積神經網路運算的處理裝置與處理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020185690A1 (en) * | 2001-06-06 | 2002-12-12 | Matsushita Electric Industrial Co., Ltd. | Semiconductor device |
US20120109864A1 (en) * | 2010-10-29 | 2012-05-03 | International Business Machines Corporation | Neuromorphic and synaptronic spiking neural network with synaptic weights learned using simulation |
CN103345754A (zh) * | 2013-07-10 | 2013-10-09 | 杭州电子科技大学 | 基于皮层神经元视觉方向响应的图像边缘检测方法 |
CN103595931A (zh) * | 2013-11-05 | 2014-02-19 | 天津大学 | 实时时间标记的cmos异步时间域图像传感器 |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN105096279A (zh) * | 2015-09-23 | 2015-11-25 | 成都融创智谷科技有限公司 | 一种基于卷积神经网络的数字图像处理方法 |
-
2016
- 2016-02-18 CN CN201610093545.0A patent/CN105760930B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020185690A1 (en) * | 2001-06-06 | 2002-12-12 | Matsushita Electric Industrial Co., Ltd. | Semiconductor device |
US20120109864A1 (en) * | 2010-10-29 | 2012-05-03 | International Business Machines Corporation | Neuromorphic and synaptronic spiking neural network with synaptic weights learned using simulation |
CN103345754A (zh) * | 2013-07-10 | 2013-10-09 | 杭州电子科技大学 | 基于皮层神经元视觉方向响应的图像边缘检测方法 |
CN103595931A (zh) * | 2013-11-05 | 2014-02-19 | 天津大学 | 实时时间标记的cmos异步时间域图像传感器 |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN105096279A (zh) * | 2015-09-23 | 2015-11-25 | 成都融创智谷科技有限公司 | 一种基于卷积神经网络的数字图像处理方法 |
Non-Patent Citations (5)
Title |
---|
BO ZHAO等: "Feedforward Categorization on AER Motion Events Using Cortex-Like Features in a Spiking Neural Network", 《IEEE TRANSACTIONS 0N NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
KSHITIJ DHOBLE等: "Online Spatio-Temporal Pattern Recognition with Evolving Spiking Neural Networks utilizing Address Event Representation, Rank Order, and Temporal Spike Learning", 《RESEARCHGATE》 * |
张玉平等: "基于卷积计算的多层脉冲神经网络的监督学习", 《计算机工程与科学》 * |
张莉等: "指数衰减阈值对IF神经元点火统计特性的影响", 《信息与控制》 * |
蔺想红: "指数突触电导IF神经元模型及事件驱动模拟策略", 《电子学报》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766935B (zh) * | 2016-08-22 | 2021-07-02 | 耐能有限公司 | 多层人造神经网络 |
CN107766935A (zh) * | 2016-08-22 | 2018-03-06 | 耐能有限公司 | 多层人造神经网络 |
CN106446937A (zh) * | 2016-09-08 | 2017-02-22 | 天津大学 | 用于aer图像传感器的多层卷积识别系统 |
CN106407990A (zh) * | 2016-09-10 | 2017-02-15 | 天津大学 | 基于事件驱动的仿生目标识别系统 |
CN106779056A (zh) * | 2016-12-21 | 2017-05-31 | 天津大学 | 用于aer前馈分类系统的脉冲神经元硬件架构 |
CN106779056B (zh) * | 2016-12-21 | 2019-05-10 | 天津大学 | 用于aer前馈分类系统的脉冲神经元硬件架构 |
CN106898011A (zh) * | 2017-01-06 | 2017-06-27 | 广东工业大学 | 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 |
CN106898011B (zh) * | 2017-01-06 | 2019-10-29 | 广东工业大学 | 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 |
CN106845539A (zh) * | 2017-01-09 | 2017-06-13 | 天津大学 | 用于aer传感器的脉冲神经网络 |
CN106845541A (zh) * | 2017-01-17 | 2017-06-13 | 杭州电子科技大学 | 一种基于生物视觉与精确脉冲驱动神经网络的图像识别方法 |
CN108629403B (zh) * | 2017-03-24 | 2024-03-12 | 英特尔公司 | 处理脉冲神经网络中的信号饱和 |
CN108629403A (zh) * | 2017-03-24 | 2018-10-09 | 英特尔公司 | 处理脉冲神经网络中的信号饱和 |
CN107092959B (zh) * | 2017-04-07 | 2020-04-10 | 武汉大学 | 基于stdp非监督学习算法的脉冲神经网络模型构建方法 |
CN107092959A (zh) * | 2017-04-07 | 2017-08-25 | 武汉大学 | 基于stdp非监督学习算法的硬件友好型脉冲神经网络模型 |
CN107798384A (zh) * | 2017-10-31 | 2018-03-13 | 泰山医学院 | 可进化脉冲神经网络构建方法和装置 |
CN107798384B (zh) * | 2017-10-31 | 2020-10-16 | 山东第一医科大学(山东省医学科学院) | 一种基于可进化脉冲神经网络的鸢尾花卉分类方法和装置 |
CN108446757A (zh) * | 2017-12-29 | 2018-08-24 | 北京理工大学 | 一种基于脉冲神经网络的多级延时级联的速度识别系统与方法 |
CN108446757B (zh) * | 2017-12-29 | 2020-09-01 | 北京理工大学 | 一种基于脉冲神经网络的多级延时级联的速度识别系统与方法 |
CN108304913A (zh) * | 2017-12-30 | 2018-07-20 | 北京理工大学 | 一种利用脉冲神经元阵列来实现卷积功能的方法 |
CN108121878A (zh) * | 2018-01-05 | 2018-06-05 | 吉林大学 | 自动编码震源信号的脉冲神经网络模型 |
CN108121878B (zh) * | 2018-01-05 | 2022-05-31 | 吉林大学 | 自动编码震源信号的脉冲神经网络模型 |
CN108470190A (zh) * | 2018-03-09 | 2018-08-31 | 北京大学 | 基于fpga定制脉冲神经网络的图像识别方法 |
CN109117884A (zh) * | 2018-08-16 | 2019-01-01 | 电子科技大学 | 一种基于改进监督学习算法的图像识别方法 |
CN109102000A (zh) * | 2018-09-05 | 2018-12-28 | 杭州电子科技大学 | 一种基于分层特征提取与多层脉冲神经网络的图像识别方法 |
CN109102000B (zh) * | 2018-09-05 | 2021-09-07 | 杭州电子科技大学 | 一种基于分层特征提取与多层脉冲神经网络的图像识别方法 |
CN109800855A (zh) * | 2018-12-14 | 2019-05-24 | 合肥阿巴赛信息科技有限公司 | 一种基于几何算子的卷积神经网络搭建方法 |
CN109816026A (zh) * | 2019-01-29 | 2019-05-28 | 清华大学 | 卷积神经网络和脉冲神经网络的融合结构及方法 |
GB2583745A (en) * | 2019-05-08 | 2020-11-11 | Mindtrace Ltd | Neural network for processing sensor data |
CN110378469A (zh) * | 2019-07-11 | 2019-10-25 | 中国人民解放军国防科技大学 | 基于异步电路的scnn推理装置及其pe单元、处理器及计算机设备 |
CN110705428A (zh) * | 2019-09-26 | 2020-01-17 | 北京智能工场科技有限公司 | 一种基于脉冲神经网络的脸部年龄识别系统及方法 |
CN110782452B (zh) * | 2019-11-05 | 2022-08-12 | 厦门大学 | 一种t2定量图像成像方法及系统 |
CN110782452A (zh) * | 2019-11-05 | 2020-02-11 | 厦门大学 | 一种t2定量图像成像方法及系统 |
TWI751931B (zh) * | 2020-05-04 | 2022-01-01 | 神盾股份有限公司 | 用於執行卷積神經網路運算的處理裝置與處理方法 |
CN113255905B (zh) * | 2021-07-16 | 2021-11-02 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
CN113255905A (zh) * | 2021-07-16 | 2021-08-13 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105760930B (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105760930A (zh) | 用于aer的多层脉冲神经网络识别系统 | |
CN110210563B (zh) | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 | |
CN106845541A (zh) | 一种基于生物视觉与精确脉冲驱动神经网络的图像识别方法 | |
US20150242745A1 (en) | Event-based inference and learning for stochastic spiking bayesian networks | |
CN107403154A (zh) | 一种基于动态视觉传感器的步态识别方法 | |
CN110321833A (zh) | 基于卷积神经网络和循环神经网络的人体行为识别方法 | |
Liu et al. | Event-driven continuous STDP learning with deep structure for visual pattern recognition | |
CN105981055A (zh) | 神经网络对当前计算资源的自适应 | |
JP2016538632A (ja) | 教師あり学習を使用してクラスにタグ付けするための方法および装置 | |
Zeng et al. | Improving multi-layer spiking neural networks by incorporating brain-inspired rules | |
JP2017515205A (ja) | Coldニューロンスパイクタイミングバックプロバゲーション | |
Stewart et al. | Spaun: A perception-cognition-action model using spiking neurons | |
EP3123403A2 (en) | Invariant object representation of images using spiking neural networks | |
CN109102000A (zh) | 一种基于分层特征提取与多层脉冲神经网络的图像识别方法 | |
Galán-Prado et al. | Compact hardware synthesis of stochastic spiking neural networks | |
CN106104585A (zh) | 经由阈下调制的模拟信号重构和识别 | |
CN114881070A (zh) | 一种基于仿生分层脉冲神经网络的aer对象识别方法 | |
JP6133517B2 (ja) | 座標変換のための位相コーディング | |
Yang et al. | A neuromorphic depth-from-motion vision model with STDP adaptation | |
Zhang et al. | Image exploration procedure classification with spike-timing neural network for the blind | |
Roclin et al. | Design study of efficient digital order-based STDP neuron implementations for extracting temporal features | |
Kulkarni et al. | Learning and real-time classification of hand-written digits with spiking neural networks | |
Maurer et al. | Extended hopfield network for sequence learning: Application to gesture recognition | |
Dao | Image classification using convolutional neural networks | |
Zhou | Application of Deep Learning in Ocean Big Data Mining |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |