CN110119785A - 一种基于多层spiking卷积神经网络的图像分类方法 - Google Patents
一种基于多层spiking卷积神经网络的图像分类方法 Download PDFInfo
- Publication number
- CN110119785A CN110119785A CN201910413611.1A CN201910413611A CN110119785A CN 110119785 A CN110119785 A CN 110119785A CN 201910413611 A CN201910413611 A CN 201910413611A CN 110119785 A CN110119785 A CN 110119785A
- Authority
- CN
- China
- Prior art keywords
- neuron
- convolutional neural
- spiking
- pulse
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 238000012421 spiking Methods 0.000 title claims abstract description 31
- 210000002569 neuron Anatomy 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 30
- 239000012528 membrane Substances 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 claims description 4
- 230000000946 synaptic effect Effects 0.000 claims description 3
- 210000001367 artery Anatomy 0.000 claims 1
- 238000003475 lamination Methods 0.000 claims 1
- 238000004080 punching Methods 0.000 claims 1
- 210000003462 vein Anatomy 0.000 claims 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 abstract description 9
- 230000004913 activation Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000000541 pulsatile effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000036279 refractory period Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多层spiking卷积神经网络的图像分类方法，涉及图像处理领域，将训练集中的图像转换为脉冲序列；设定spiking神经元参数，利用spiking神经元构建卷积神经网络；将所述脉冲序列作为输入，逐层训练所述卷积神经网络，获取所述脉冲序列的视觉特征后得到分类结果，所述训练方法为基于hebbian规则的非监督学习算法；将待识别图像转换为脉冲序列，输入训练后的卷积神经网络，得到待识别图像的分类结果；本方法解决了由于神经元规模增大导致spiking神经元膜电压冗余计算的技术问题，同时解决了由于SNN激活函数不可导，无法使用反传计算残差导致学习不收敛的技术问题。
Description
技术领域
本发明涉及图像处理领域，尤其是一种基于多层spiking卷积神经网络的图像分类方法。
背景技术
图像分类是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。
Spiking神经网络(SNN)是高度拟合生物神经网络的基于脉冲时序的数学模型，通过脉冲的触发来模拟生物神经元的生物电流反应。每个神经元是一个独立的计算和反应单元，通过大规模并行的网络连接，组成强大的数学模型并用于完成相关任务.SNN多为浅层神经网络，由于其神经元模型的特殊性，一般的多层学习方式并不适用，所以学习深层特征的能力受到了制约。卷积神经网络(CNN)是一种多层神经网络，擅长处理图像特别是大型图像的相关机器学习问题。卷积网络通过一系列的卷积和池化，从浅层提取局部频繁相似的特征，从深层提取全局抽象的特征。池化过程成功地解决了图像识别中数据量大的问题，实现了降维。通过提取的全方位的特征，利用全连接层连接分类器，最终完成整个训练。
结合SNN和CNN形成的spiking卷积神经网络，不仅可以汲取CNN的高效率高正确率的优点，提取深层视觉特征，同时可以突破SNN现有的学习模式，并且保留时序信息。然而当前并没有将CNN转换成SNN的通用技术，因此这个领域一直是学术研究的热点。
目前图像处理中，由于神经元规模增大导致spiking神经元膜电压计算冗余，由于SNN激活函数不可导，无法使用反传计算残差导致学习不收敛。
发明内容
本发明的目的在于：本发明提供了一种基于多层spiking卷积神经网络的图像分类方法，解决了由于神经元规模增大导致spiking神经元膜电压冗余计算的技术问题，同时解决了由于SNN激活函数不可导，无法使用反传计算残差导致学习不收敛的技术问题。
本发明采用的技术方案如下：
一种基于多层spiking卷积神经网络的图像分类方法，包括以下步骤
步骤1：将训练集中的图像转换为脉冲序列；
步骤2：设定spiking神经元参数，利用spiking神经元构建卷积神经网络；
步骤3：将所述脉冲序列作为输入，逐层训练所述卷积神经网络，获取所述脉冲序列的视觉特征后得到分类结果，所述训练方法为基于hebbian规则的非监督学习算法；
步骤4：将待识别图像转换为脉冲序列，输入训练后的卷积神经网络，得到待识别图像的分类结果。
进一步的，所述步骤1具体为：
步骤11：设定图像的像素距离上界为d和神经元脉冲发放最大时间Tmax，定义图像矩阵为A，像素值矩阵为pixel，图像中的每个像素点为p；
步骤12：计算所述像素点p在空间上的欧式距离，将欧式距离小于所述距离上界d的像素点定义为q，并加入集合Γq，计算所述集合Γq中各个像素点的对比度值Cp，形成对比度集合C，采用的公式如下：
其中，size(Γq)代表集合像素点个数；
步骤13：将所述对比度集合C进行归一化，将所述对比度集合C中的对比度值Cp缩放至[0,Tmax]，得到所述脉冲序列。
进一步的，所述步骤2中spiking神经元参数设定方法为：
步骤21：设定滑动窗口统计模型的阈值θ和时间常数τ；
步骤22：将传统SRM模型PSP分为N段，统计输入脉冲集合的PSP分布，得到每段的PSP值εp，所述脉冲集合为统计窗口[t-4τ，t]中的神经元脉冲集合，所述t∈[0,Tmax]；
步骤23：计算当前时刻的膜电压值Uj(t)，若Uj(t)大于θ，则神经元j触发脉冲，否则不触发；采用的计算公式如下：
其中，Wij表示神经元i到神经元j的连接权重，countp表示脉冲集合离散至所述N个值域区间的脉冲数量。
进一步的，所述步骤2中卷积神经网络包括依次连接的输入层、编码层、卷积层、池化层、全连接和分类器。
进一步的，所述步骤3中逐层训练具体为：在卷积层训练过程中，当前卷积层收敛之后，固定该卷积层和上一卷积层的权值，训练下一卷积层。
进一步的，所述步骤3中训练方法具体为：若上一卷积层神经元先于下一卷积层神经元发放脉冲，则增加连接的卷积核的权重，反之则减少，采用的公式具体为：
其中，Wij表示神经元i和神经元j之间的突触连接强度，Vi表示神经元i脉冲发放的时间，Vj表示神经元j脉冲发放的时间，α和β均表示学习参数，x表示Vi-Vj或Vj-Vi。
进一步的，所述训练方法中加入卷积竞争机制，所述卷积竞争机制包括赢者通吃机制和横向抑制机制，
所述赢者通吃机制具体为：第一个在下一卷积层触发脉冲的神经元才能进行基于hebbian规则的非监督学习算法，下一卷积层的其他神经元无法进行学习，直到下一轮卷积操作；
所述横向抑制机制具体为：当一个卷积核在图像上触发基于hebbian规则的非监督学习算法，则同一卷积层的其他卷积核无法在相同位置再次触发基于hebbian规则的非监督学习算法。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中使用对比度编码将图像像素值转化为脉冲序列，不仅考虑了像素之间的差异性，突出图像轮廓，而且保证一个神经元只有一次脉冲，减少了神经网络的总体脉冲数量，降低了计算复杂度。
2、本发明使用了滑动窗口统计模型，将神经元膜电压计算问题转化为统计问题，降低了计算难度，增加了模型效率。
3、本发明使用了非监督的hebbian规则进行权重调整，解决了多层SNN不能计算残差保证梯度下降的问题，保证了模型卷积层的收敛。
4、本发明使用了卷积竞争机制和横向抑制机制，保证了卷积层学习的特征的独立性和典型性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明的分类流程示意图。
图2是本发明的整体网络数据流图。
图3是本发明的spiking卷积层计算方法示意图。
图4是本发明的网络层参数示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例
一种基于多层spiking卷积神经网络的图像分类方法，包括以下步骤
步骤1：将训练集中的图像转换为脉冲序列，即图像预处理，使用对比度编码方法强化图像的边缘信息并将其转化为脉冲序列；
所述步骤1具体为：
步骤11：输入为MNIST数字手写体图片数据集，图片大小为28*28，设定图像的像素距离上界为d＝1和神经元脉冲发放最大时间Tmax＝100ms，定义图像矩阵为A，像素值矩阵为pixel，A和pixel都初始化为28*28的矩阵，图像中的每个像素点为p；
步骤12：计算所述像素点p在空间上的欧式距离，将欧式距离小于所述距离上界d的像素点定义为q，并加入集合Γq，一个像素点p对应一个或多个像素点q，计算所述集合Γq中各个像素点的比度值Cp，形成对比度集合C，采用的公式如下：
其中，size(Γq)代表集合像素点个数；
步骤13：将所述对比度集合C进行归一化，即将所述对比度集合中的所有值等比例缩放至[0,1],将所述对比度集合C中的对比度值Cp等比例缩放至[0,100]，得到所述脉冲序列。
步骤2：设定spiking神经元参数，利用spiking神经元构建卷积神经网络；
所述步骤2中spiking神经元参数设定方法为：
步骤21：设定滑动窗口统计模型的阈值θ＝10mv和时间常数τ＝20ms；
步骤22：将传统SRM模型PSP分为6段，统计输入脉冲集合的PSP分布，得到每段的PSP值εp，所述脉冲集合为统计窗口[t-80，t]中的神经元脉冲集合，所述t∈[0,100]；步骤23：计算当前时刻的膜电压值Uj(t)，若Uj(t)大于10mv，则神经元j触发脉冲，否则不触发；若触发一次脉冲，则当前神经元将一直进入不应期，Uj＝0mv；
采用的计算公式如下：
其中，Wij表示神经元i到神经元j的连接权重，countp表示脉冲集合离散至所述6个值域区间的脉冲数量。
所述步骤2中卷积神经网络包括依次连接的一个输入层、一个编码层、两个卷积层、一个池化层、全连接和分类器，设置网络层参数如下：输入层和编码层大小为28*28；第一个卷积层的卷积核为5*5，一共10个卷积核,卷积步长设定为1；28*28的输入层经过第一层卷积之后,变为28*28*10；池化层窗口大小设置为4*4，步长为2，池化后特征图大小变为13*13；第二层卷积的卷积核大小为5*5，卷积核数量为30，卷积层后特征图变为15*15*30；全连接层一共有30个神经元，最后连接分类器，采用SVM分类器对多层卷积提取的深层特征进行分类，并使用核技巧，将线性分类延伸到奥非线性分类。
步骤3：将所述脉冲序列作为输入，逐层训练所述卷积神经网络，获取所述脉冲序列的视觉特征后得到分类结果，所述训练方法为基于hebbian规则的非监督学习算法；
逐层训练具体为：在卷积层训练过程中，当前卷积层收敛之后，固定该卷积层和上一卷积层的权值，训练下一卷积层。
基于hebbian规则的非监督学习算法的训练方法具体为：若上一卷积层神经元先于下一卷积层神经元发放脉冲，则增加连接的卷积核的权重，反之则减少，采用的公式具体为：
其中，Wij表示神经元i和神经元j之间的突触连接强度，Vi表示神经元t脉冲发放的时间，Vj表示神经元j脉冲发放的时间，α和β均表示学习参数，x表示Vi-Vj或Vj-Vi；
所述训练方法中加入卷积竞争机制，所述卷积竞争机制包括赢者通吃机制和横向抑制机制，
所述赢者通吃机制具体为：第一个在下一卷积层触发脉冲的神经元才能进行基于hebbian规则的非监督学习算法，下一卷积层的其他神经元无法进行学习，直到下一轮卷积操作；
所述横向抑制机制具体为：当一个卷积核在图像上触发基于hebbian规则的非监督学习算法，则同一卷积层的其他卷积核无法在相同位置再次触发基于hebbian规则的非监督学习算法。
所述步骤3具体为：
步骤31：卷积层中卷积核和输入层通过卷积方式连接，通过计算神经元末电压，得到下一卷积层的输入脉冲，即得到下一卷积层的卷积特征图，一个卷积核对应一个卷积特征图；
步骤32：在所述卷积特征图中找到最先发送脉冲的神经元，对该神经元连接的卷积核进行基于hebbian规则的非监督学习运算，更新该卷积核权重Wij；
步骤33：对其余卷积核对应的卷积特征图，将在所述卷积特征图中与上述神经元位置相同的神经元的脉冲发放时间变为无限大，使该神经元失效；
步骤34：对所有卷积核均进行步骤32-33操作，得到更新后的卷积核权重Wij，若所有卷积核Wij收敛，即所有卷积核Wij平均变化量小于0.05，则本层卷积核训练结束，否则返回步骤31继续训练。
步骤4：将待识别图像转换为脉冲序列，输入训练后的卷积神经网络，得到待识别图像的分类结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于多层spiking卷积神经网络的图像分类方法，其特征在于：包括以下步骤
步骤1：将训练集中的图像转换为脉冲序列；
步骤2：设定spiking神经元参数，利用spiking神经元构建卷积神经网络；
步骤3：将所述脉冲序列作为输入，逐层训练所述卷积神经网络，获取所述脉冲序列的视觉特征后得到分类结果，所述训练方法为基于hebbian规则的非监督学习算法；
步骤4：将待识别图像转换为脉冲序列，输入训练后的卷积神经网络，得到待识别图像的分类结果。
2.根据权利要求1所述的一种基于多层spiking卷积神经网络的图像分类方法，其特征在于：所述步骤1具体为：
步骤11：设定图像的像素距离上界为d和神经元脉冲发放最大时间Tmax，定义图像矩阵为A，像素值矩阵为pixel，图像中的每个像素点为p；
步骤12：计算所述像素点p在空间上的欧式距离，将欧式距离小于所述距离上界d的像素点定义为q，并加入集合Γq，计算所述集合Γq中各个像素点的对比度值Cp，形成对比度集合C，采用的公式如下：
其中，size(Γq)代表集合像素点个数；
步骤13：将所述对比度集合C进行归一化，将所述对比度集合C中的对比度值Cp缩放至[0，Tmax]，得到所述脉冲序列。
3.根据权利要求1所述的一种基于多层spiking卷积神经网络的图像分类方法，其特征在于：所述步骤2中spiking神经元参数设定方法为：
步骤21：设定滑动窗口统计模型的阈值θ和时间常数τ；
步骤22：将传统SRM模型PSP分为N段，统计输入脉冲集合的PSP分布，得到每段的PSP值εp，所述脉冲集合为统计窗口[t-4τ，t]中的神经元脉冲集合，所述t∈[0，Tmax]；
步骤23：计算当前时刻的膜电压值Uj(t)，若Uj(t)大于θ，则神经元j触发脉冲，否则不触发；采用的计算公式如下：
其中，Wij表示神经元i到神经元j的连接权重，countp表示脉冲集合离散至所述N个值域区间的脉冲数量。
4.根据权利要求1所述的一种基于多层spiking卷积神经网络的图像分类方法，其特征在于：所述步骤2中卷积神经网络包括依次连接的输入层、编码层、卷积层、池化层、全连接和分类器。
5.根据权利要求1所述的一种基于多层spiking卷积神经网络的图像分类方法，其特征在于：所述步骤3中逐层训练具体为：在卷积层训练过程中，当前卷积层收敛之后，固定该卷积层和上一卷积层的权值，训练下一卷积层。
6.根据权利要求1所述的一种基于多层spiking卷积神经网络的图像分类方法，其特征在于：所述步骤3中训练方法具体为：若上一卷积层神经元先于下一卷积层神经元发放脉冲，则增加连接的卷积核的权重，反之则减少，采用的公式具体为：
其中，Wij表示神经元i和神经元j之间的突触连接强度，Vi表示神经元i脉冲发放的时间，Vj表示神经元j脉冲发放的时间，α和β均表示学习参数，x表示Vi-Vj或Vj-Vi。
7.根据权利要求1所述的一种基于多层spiking卷积神经网络的图像分类方法，其特征在于：所述训练方法中加入卷积竞争机制，所述卷积竞争机制包括赢者通吃机制和横向抑制机制，
所述赢者通吃机制具体为：第一个在下一卷积层触发脉冲的神经元才能进行基于hebbian规则的非监督学习算法，下一卷积层的其他神经元无法进行学习，直到下一轮卷积操作；
所述横向抑制机制具体为：当一个卷积核在图像上触发基于hebbian规则的非监督学习算法，则同一卷积层的其他卷积核无法在相同位置再次触发基于hebbian规则的非监督学习算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910413611.1A CN110119785B (zh) | 2019-05-17 | 2019-05-17 | 一种基于多层spiking卷积神经网络的图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910413611.1A CN110119785B (zh) | 2019-05-17 | 2019-05-17 | 一种基于多层spiking卷积神经网络的图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110119785A true CN110119785A (zh) | 2019-08-13 |
| CN110119785B CN110119785B (zh) | 2020-12-01 |
Family
ID=67522733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910413611.1A Active CN110119785B (zh) | 2019-05-17 | 2019-05-17 | 一种基于多层spiking卷积神经网络的图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110119785B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751067A (zh) * | 2019-10-08 | 2020-02-04 | 艾特城信息科技有限公司 | 一种结合生物形态神经元模型的动态表情识别方法 |
| CN110781968A (zh) * | 2019-10-29 | 2020-02-11 | 中国人民解放军国防科技大学 | 一种基于塑性卷积神经网络的可扩展类别的图像识别方法 |
| CN110826437A (zh) * | 2019-10-23 | 2020-02-21 | 中国科学院自动化研究所 | 基于生物神经网络的智能机器人控制方法、系统、装置 |
| CN111046954A (zh) * | 2019-12-12 | 2020-04-21 | 电子科技大学 | 基于动态阈值的spiking学习模型的图像分类方法 |
| CN111723726A (zh) * | 2020-06-17 | 2020-09-29 | 苏州大学 | 一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法 |
| CN111859676A (zh) * | 2020-07-23 | 2020-10-30 | 西南交通大学 | 一种针对浮置板轨道钢弹簧损伤的智能检测方法 |
| CN112155549A (zh) * | 2020-09-04 | 2021-01-01 | 西北师范大学 | 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统 |
| CN112633497A (zh) * | 2020-12-21 | 2021-04-09 | 中山大学 | 一种基于重加权膜电压的卷积脉冲神经网络的训练方法 |
| WO2021115262A1 (zh) * | 2019-12-09 | 2021-06-17 | 南京惟心光电系统有限公司 | 脉冲卷积神经网络算法、集成电路、运算装置及存储介质 |
| CN113408611A (zh) * | 2021-06-18 | 2021-09-17 | 电子科技大学 | 一种基于延迟机制的多层图像分类方法 |
| CN113901869A (zh) * | 2021-09-02 | 2022-01-07 | 电子科技大学 | 一种基于Spiking神经网络的无接触液位检测方法 |
| CN114022652A (zh) * | 2020-07-15 | 2022-02-08 | 中移(苏州)软件技术有限公司 | 一种数据处理方法、设备、装置及计算机存储介质 |
| CN115238857A (zh) * | 2022-06-15 | 2022-10-25 | 脉冲视觉(北京)科技有限公司 | 基于脉冲信号的神经网络及脉冲信号处理方法 |
| CN114092763B (zh) * | 2021-11-22 | 2023-08-25 | 南京铁道职业技术学院 | 一种脉冲神经网络模型构建方法 |
| CN117574968A (zh) * | 2023-11-30 | 2024-02-20 | 中国海洋大学 | 基于量子衍生的脉冲卷积神经网络、图像处理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496062A (zh) * | 2011-12-08 | 2012-06-13 | 山东建筑大学 | 一种基于Spiking神经网络的人员信息融合方法 |
| CN103890781A (zh) * | 2011-08-25 | 2014-06-25 | 康奈尔大学 | 用于机器视觉的视网膜编码器 |
| 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 |
| CN107194426A (zh) * | 2017-05-23 | 2017-09-22 | 电子科技大学 | 一种基于Spiking神经网络的图像识别方法 |
| CN108805879A (zh) * | 2018-05-24 | 2018-11-13 | 电子科技大学 | 一种基于Spiking神经网络的图像分割方法 |
-
2019
- 2019-05-17 CN CN201910413611.1A patent/CN110119785B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103890781A (zh) * | 2011-08-25 | 2014-06-25 | 康奈尔大学 | 用于机器视觉的视网膜编码器 |
| CN102496062A (zh) * | 2011-12-08 | 2012-06-13 | 山东建筑大学 | 一种基于Spiking神经网络的人员信息融合方法 |
| 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 |
| CN107194426A (zh) * | 2017-05-23 | 2017-09-22 | 电子科技大学 | 一种基于Spiking神经网络的图像识别方法 |
| CN108805879A (zh) * | 2018-05-24 | 2018-11-13 | 电子科技大学 | 一种基于Spiking神经网络的图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| ANKUR GUPTA AND LYLE N. LONG: ""Hebbian Learning with Winner Take All for Spiking Neural Networks"", 《PROCEEDINGS OF INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
| XIURUI XIE, HONG QU ET AL.: ""Multi-Layer Unsupervised Learning in a Spiking Convolutional Neural Network"", 《INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751067A (zh) * | 2019-10-08 | 2020-02-04 | 艾特城信息科技有限公司 | 一种结合生物形态神经元模型的动态表情识别方法 |
| CN110751067B (zh) * | 2019-10-08 | 2022-07-26 | 艾特城信息科技有限公司 | 一种结合生物形态神经元模型的动态表情识别方法 |
| CN110826437A (zh) * | 2019-10-23 | 2020-02-21 | 中国科学院自动化研究所 | 基于生物神经网络的智能机器人控制方法、系统、装置 |
| CN110781968A (zh) * | 2019-10-29 | 2020-02-11 | 中国人民解放军国防科技大学 | 一种基于塑性卷积神经网络的可扩展类别的图像识别方法 |
| WO2021115262A1 (zh) * | 2019-12-09 | 2021-06-17 | 南京惟心光电系统有限公司 | 脉冲卷积神经网络算法、集成电路、运算装置及存储介质 |
| CN111046954A (zh) * | 2019-12-12 | 2020-04-21 | 电子科技大学 | 基于动态阈值的spiking学习模型的图像分类方法 |
| CN111723726A (zh) * | 2020-06-17 | 2020-09-29 | 苏州大学 | 一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法 |
| CN111723726B (zh) * | 2020-06-17 | 2023-09-19 | 苏州大学 | 一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法 |
| CN114022652A (zh) * | 2020-07-15 | 2022-02-08 | 中移(苏州)软件技术有限公司 | 一种数据处理方法、设备、装置及计算机存储介质 |
| CN111859676A (zh) * | 2020-07-23 | 2020-10-30 | 西南交通大学 | 一种针对浮置板轨道钢弹簧损伤的智能检测方法 |
| CN111859676B (zh) * | 2020-07-23 | 2022-11-22 | 西南交通大学 | 一种针对浮置板轨道钢弹簧损伤的智能检测方法 |
| CN112155549A (zh) * | 2020-09-04 | 2021-01-01 | 西北师范大学 | 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统 |
| CN112155549B (zh) * | 2020-09-04 | 2023-11-14 | 西北师范大学 | 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统 |
| CN112633497A (zh) * | 2020-12-21 | 2021-04-09 | 中山大学 | 一种基于重加权膜电压的卷积脉冲神经网络的训练方法 |
| CN112633497B (zh) * | 2020-12-21 | 2023-08-18 | 中山大学 | 一种基于重加权膜电压的卷积脉冲神经网络的训练方法 |
| CN113408611A (zh) * | 2021-06-18 | 2021-09-17 | 电子科技大学 | 一种基于延迟机制的多层图像分类方法 |
| CN113901869A (zh) * | 2021-09-02 | 2022-01-07 | 电子科技大学 | 一种基于Spiking神经网络的无接触液位检测方法 |
| CN113901869B (zh) * | 2021-09-02 | 2023-04-21 | 电子科技大学 | 一种基于Spiking神经网络的无接触液位检测方法 |
| CN114092763B (zh) * | 2021-11-22 | 2023-08-25 | 南京铁道职业技术学院 | 一种脉冲神经网络模型构建方法 |
| CN115238857B (zh) * | 2022-06-15 | 2023-05-05 | 北京融合未来技术有限公司 | 基于脉冲信号的神经网络及脉冲信号处理方法 |
| CN115238857A (zh) * | 2022-06-15 | 2022-10-25 | 脉冲视觉(北京)科技有限公司 | 基于脉冲信号的神经网络及脉冲信号处理方法 |
| CN117574968A (zh) * | 2023-11-30 | 2024-02-20 | 中国海洋大学 | 基于量子衍生的脉冲卷积神经网络、图像处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110119785B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110119785A (zh) | 一种基于多层spiking卷积神经网络的图像分类方法 | |
| El-Sawy et al. | Arabic handwritten characters recognition using convolutional neural network | |
| CN107273845B (zh) | 一种基于置信区域和多特征加权融合的人脸表情识别方法 | |
| JP4083469B2 (ja) | 階層ネットワークを用いたパターン認識方法 | |
| Phung et al. | A pyramidal neural network for visual pattern recognition | |
| CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
| Salama et al. | Sheep identification using a hybrid deep learning and bayesian optimization approach | |
| CN110378208B (zh) | 一种基于深度残差网络的行为识别方法 | |
| Tivive et al. | A gender recognition system using shunting inhibitory convolutional neural networks | |
| CN107767416B (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
| Maji et al. | Effect of Euler number as a feature in gender recognition system from offline handwritten signature using neural networks | |
| CN104915658B (zh) | 一种基于情感分布学习的情感成分分析方法及其系统 | |
| Wang et al. | FaceFormer: Aggregating global and local representation for face hallucination | |
| Dhanaseely et al. | Performance comparison of cascade and feed forward neural network for face recognition system | |
| Verma et al. | Convolutional neural network based criminal detection | |
| Wu et al. | Occluded face recognition based on the deep learning | |
| Pratama et al. | Deep convolutional neural network for hand sign language recognition using model E | |
| Srigurulekha et al. | Food image recognition using CNN | |
| Hing et al. | A shunting inhibitory convolutional neural network for gender classification | |
| Aaronson et al. | Robust face detection using convolutional neural network | |
| Mahesh et al. | Invariant face recognition using Zernike moments combined with feed forward neural network | |
| Zhao et al. | Bio-inspired categorization using event-driven feature extraction and spike-based learning | |
| Ch’ng et al. | Block-based Deep Belief Networks for face recognition | |
| Tiwari et al. | Face Recognition using morphological method | |
| Fieres et al. | Training convolutional networks of threshold neurons suited for low-power hardware implementation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |