CN113408611B - 一种基于延迟机制的多层图像分类方法 - Google Patents

一种基于延迟机制的多层图像分类方法 Download PDF

Info

Publication number
CN113408611B
CN113408611B CN202110676116.7A CN202110676116A CN113408611B CN 113408611 B CN113408611 B CN 113408611B CN 202110676116 A CN202110676116 A CN 202110676116A CN 113408611 B CN113408611 B CN 113408611B
Authority
CN
China
Prior art keywords
firing
layer
neuron
neurons
delay
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.)
Active
Application number
CN202110676116.7A
Other languages
English (en)
Other versions
CN113408611A (zh
Inventor
苌泽宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110676116.7A priority Critical patent/CN113408611B/zh
Publication of CN113408611A publication Critical patent/CN113408611A/zh
Application granted granted Critical
Publication of CN113408611B publication Critical patent/CN113408611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Neurology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于延迟机制的多层图像分类方法，属于图像处理技术领域，其包括以下步骤：S1、构建图像分类模型；S2、采用图像集对图像分类模型进行训练，得到训练完成的图像分类模型；S3、采用训练完成的图像分类模型对图像进行分类，得到图像的类别；图像分类模型包括依次连接的特征提取单元、脉冲延迟编码单元和多层分类器；本发明解决了Spikeprop算法的延迟机制仅仅只是用于对两个神经元之间的不同突触信号进行区分的问题。

Description

一种基于延迟机制的多层图像分类方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于延迟机制的多层图像分类方法。
背景技术
Spikeprop算法的拓扑结构属于多层前馈神经网络的模型。神经元分层排列，当刺激信号传入时，是将刺激信号转化为脉冲信号的神经元，可以对应为输入层。最后一层为输出层，是对刺激进行整合后，产生的脉冲输出层。在编码神经元层与输出层中间的都称为学习神经元，对应传统神经网络中的隐藏层。隐藏层可以为n，n的取值为大于等于1的正整数，就形成深度脉冲神经网络。各层神经元之间通过突触连接。两个神经元之间的突触个数不唯一。并且突触之间可以使用延迟时间和连接权值对神经元之间的信号传递进行处理和整合。此机制使得脉冲神经元的输入信号能够对突触后神经元产生更加长时间的影响。
在学习算法过程中，Spikeprop算法已经引入了延迟机制，但是其延迟机制仅仅只是用于对两个神经元之间的不同突触信号进行区分。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于延迟机制的多层图像分类方法解决了Spikeprop算法的延迟机制仅仅只是用于对两个神经元之间的不同突触信号进行区分的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于延迟机制的多层图像分类方法，包括以下步骤：
S1、构建图像分类模型；
S2、采用图像集对图像分类模型进行训练，得到训练完成的图像分类模型；
S3、采用训练完成的图像分类模型对图像进行分类，得到图像的类别；
图像分类模型包括依次连接的特征提取单元、脉冲延迟编码单元和多层分类器；所述特征提取单元用于对图像进行特征提取，得到特征图像数据；所述脉冲延迟编码单元用于对特征图像数据进行编码，得到激发脉冲时间序列；所述多层分类器用于处理激发脉冲时间序列，得到图像的类别。
进一步地，脉冲延迟编码单元对特征图像数据进行编码的公式为：
ti＝tmax-ln(axi+1)
其中，ti为第i个像素点对应的激发脉冲时间点，tmax为编辑时间窗的大小，a为编码参数，xi为特征图像数据对应的第i个像素点的像素值。
进一步地，多层分类器包括：输入层、隐藏层和输出层；
所述多层分类器的训练方法为：
A1、将激发脉冲时间序列输入多层分类器，确定每层每个神经元的目标点火时间，将未点火的神经元的点火时间记为-1；
A2、选出点火时间不为-1的输出层或隐藏层上的点火神经元；
A3、根据每层每个神经元的目标点火时间，计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数；
A4、根据输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数，对输出层和隐藏层间的所有点火神经元的延迟进行调整，对输入层和隐藏层间的所有点火神经元的延迟进行调整；
A5、根据延迟调整后的多层分类器，再次计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数；
A6、根据步骤A5计算的学习参数，对输出层和隐藏层间的所有点火神经元的突触权重进行调整，对输入层和隐藏层间的所有点火神经元的突触权重进行调整；
A7、根据权重调整后的多层分类器，获取当前输出层的实际点火时间，计算实际点火时间与目标点火时间的均方误差；
A8、判断均方误差是否小于设定误差阈值，若是，则得到训练完成的多层分类器，若否，则跳转至步骤A1。
进一步地，步骤A3中隐藏层所有点火神经元的学习参数δi和输出层所有点火神经元的学习参数
Figure BDA0003120644030000031
的计算公式为：
Figure BDA0003120644030000032
其中，Гi为所有与点火神经元i连接的神经元集合，
Figure BDA0003120644030000033
为第i个点火神经元与第
Figure BDA0003120644030000034
个点火神经元间的第
Figure BDA0003120644030000035
个突触权重，输入层上的神经元以h标记，隐藏层上的点火神经元以i标记，输出层上的点火神经元以
Figure BDA0003120644030000036
标记，
Figure BDA0003120644030000037
为偏导运算，τ为神经元的膜时间常量，
Figure BDA0003120644030000038
为第
Figure BDA0003120644030000039
个点火神经元的目标点火时间，
Figure BDA00031206440300000310
为第i个点火神经元的目标点火时间，ti为第i个点火神经元的膜电压第一次超过阈值的时间，
Figure BDA00031206440300000311
为隐藏层和输出层间点火神经元的第
Figure BDA00031206440300000312
个突触权重的延迟，
Figure BDA00031206440300000313
为输入层与隐藏层间点火神经元的第
Figure BDA00031206440300000314
个突触权重的延迟，
Figure BDA00031206440300000315
为第i个点火神经元与第h个神经元间的第
Figure BDA00031206440300000316
个突触权重。
进一步地，步骤A4中对输出层和隐藏层间的所有点火神经元的延迟进行调整，其中调整的增量
Figure BDA00031206440300000317
的计算公式为：
Figure BDA00031206440300000318
对输入层和隐藏层间的所有点火神经元的延迟进行调整，其中，调整的增量Δdh的计算公式为：
Figure BDA0003120644030000041
其中，
Figure BDA0003120644030000042
为输出层上的第
Figure BDA0003120644030000043
个点火神经元的学习参数，δi为隐藏层上的第i个点火神经元的学习参数，
Figure BDA0003120644030000044
为第i个点火神经元与第
Figure BDA0003120644030000045
个点火神经元间的第
Figure BDA0003120644030000046
个突触权重，
Figure BDA0003120644030000047
为所有与点火神经元
Figure BDA0003120644030000048
连接的神经元集合，Γi为所有与点火神经元i连接的神经元集合，隐藏层上的点火神经元以i标记，输出层上的点火神经元以
Figure BDA0003120644030000049
标记，
Figure BDA00031206440300000410
为第i个点火神经元与第h个神经元间的第
Figure BDA00031206440300000411
个突触权重，th为第h个神经元的膜电压第一次超过阈值的时间，t为时间，
Figure BDA00031206440300000412
为隐藏层和输出层间点火神经元的第
Figure BDA00031206440300000413
个突触权重的延迟，
Figure BDA00031206440300000414
为输入层与隐藏层间点火神经元的第
Figure BDA00031206440300000415
个突触权重的延迟，ti为第i个点火神经元的膜电压第一次超过阈值的时间。
进一步地，步骤A6中对输出层和隐藏层间的所有点火神经元的突触权重进行调整，其中调整的增量的计算公式为：
Figure BDA00031206440300000416
对输入层和隐藏层间的所有点火神经元的突触权重进行调整，其中调整的增量的计算公式为：
Figure BDA00031206440300000417
其中，η为学习率，
Figure BDA00031206440300000418
为第
Figure BDA00031206440300000419
个点火神经元的目标点火时间，
Figure BDA00031206440300000420
为第i个点火神经元的目标点火时间。
综上，本发明的有益效果为：
(1)、多层分类器为对Spikeprop算法的延迟机制进行优化，是将延迟时间作为权重之外的另一个调整参数，使得本方法不仅仅依赖于权重一个参数，增加算法的鲁棒性。同时，因为作为权重的辅助调整变量，其变化趋势也随着权重变化，使得模型能够更快收敛到目标时刻，提高图像分类的效率。
(2)本发明提出的多层分类器，基于延迟机制的反传算法，对Spikeprop算法的学习机制进行了优化，改进了延迟机制，使得模型分类效率提升，也使整个模型具有了一定的抗噪能力，不容易受到外界信息的干扰。
附图说明
图1为一种基于延迟机制的多层图像分类方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于延迟机制的多层图像分类方法，包括以下步骤：
S1、构建图像分类模型；
S2、采用图像集对图像分类模型进行训练，得到训练完成的图像分类模型；
S3、采用训练完成的图像分类模型对图像进行分类，得到图像的类别；
图像分类模型包括依次连接的特征提取单元、脉冲延迟编码单元和多层分类器；所述特征提取单元用于对图像进行特征提取，得到特征图像数据；所述脉冲延迟编码单元用于对特征图像数据进行编码，得到激发脉冲时间序列；所述多层分类器用于处理激发脉冲时间序列，得到图像的类别。
脉冲延迟编码单元对特征图像数据进行编码的公式为：
ti＝tmax-ln(axi+1)
其中，ti为第i个像素点对应的激发脉冲时间点，tmax为编辑时间窗的大小，a为编码参数，xi为特征图像数据对应的第i个像素点的像素值。
多层分类器包括：输入层、隐藏层和输出层；
所述多层分类器的训练方法为：
A1、将激发脉冲时间序列输入多层分类器，确定每层每个神经元的目标点火时间，将未点火的神经元的点火时间记为-1；
A2、选出点火时间不为-1的输出层或隐藏层上的点火神经元；
A3、根据每层每个神经元的目标点火时间，计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数；
步骤A3中隐藏层所有点火神经元的学习参数δi和输出层所有点火神经元的学习参数
Figure BDA0003120644030000061
的计算公式为：
Figure BDA0003120644030000062
其中，Γi为所有与点火神经元i连接的神经元集合，
Figure BDA0003120644030000063
为第i个点火神经元与第
Figure BDA0003120644030000064
个点火神经元间的第
Figure BDA0003120644030000065
个突触权重，输入层上的神经元以h标记，隐藏层上的点火神经元以i标记，输出层上的点火神经元以
Figure BDA0003120644030000066
标记，
Figure BDA0003120644030000067
为偏导运算，τ为神经元的膜时间常量，
Figure BDA0003120644030000068
为第
Figure BDA0003120644030000069
个点火神经元的目标点火时间，
Figure BDA00031206440300000610
为第i个点火神经元的目标点火时间，ti为第i个点火神经元的膜电压第一次超过阈值的时间，
Figure BDA00031206440300000611
为隐藏层和输出层间点火神经元的第
Figure BDA00031206440300000612
个突触权重的延迟，
Figure BDA00031206440300000613
为输入层与隐藏层间点火神经元的第
Figure BDA00031206440300000614
个突触权重的延迟，
Figure BDA00031206440300000615
为第i个点火神经元与第h个神经元间的第
Figure BDA00031206440300000616
个突触权重。
A4、根据输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数，对输出层和隐藏层间的所有点火神经元的延迟进行调整，对输入层和隐藏层间的所有点火神经元的延迟进行调整；
步骤A4中对输出层和隐藏层间的所有点火神经元的延迟进行调整，其中调整的增量
Figure BDA0003120644030000071
的计算公式为：
Figure BDA0003120644030000072
对输入层和隐藏层间的所有点火神经元的延迟进行调整，其中，调整的增量Δdh的计算公式为：
Figure BDA0003120644030000073
其中，
Figure BDA0003120644030000074
为输出层上的第
Figure BDA0003120644030000075
个点火神经元的学习参数，δi为隐藏层上的第i个点火神经元的学习参数，
Figure BDA0003120644030000076
为第i个点火神经元与第
Figure BDA0003120644030000077
个点火神经元间的第
Figure BDA0003120644030000078
个突触权重，
Figure BDA0003120644030000079
为所有与点火神经元
Figure BDA00031206440300000710
连接的神经元集合，Γi为所有与点火神经元i连接的神经元集合，隐藏层上的点火神经元以i标记，输出层上的点火神经元以
Figure BDA00031206440300000711
标记，
Figure BDA00031206440300000712
为第i个点火神经元与第h个神经元间的第
Figure BDA00031206440300000713
个突触权重，th为第h个神经元的膜电压第一次超过阈值的时间，t为时间，
Figure BDA00031206440300000714
为隐藏层和输出层间点火神经元的第
Figure BDA00031206440300000715
个突触权重的延迟，
Figure BDA00031206440300000716
为输入层与隐藏层间点火神经元的第
Figure BDA00031206440300000717
个突触权重的延迟，ti为第i个点火神经元的膜电压第一次超过阈值的时间。
A5、根据延迟调整后的多层分类器，再次计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数；
A6、根据步骤A5计算的学习参数，对输出层和隐藏层间的所有点火神经元的突触权重进行调整，对输入层和隐藏层间的所有点火神经元的突触权重进行调整；
步骤A6中对输出层和隐藏层间的所有点火神经元的突触权重进行调整，其中调整的增量的计算公式为：
Figure BDA00031206440300000718
对输入层和隐藏层间的所有点火神经元的突触权重进行调整，其中调整的增量的计算公式为：
Figure BDA0003120644030000081
其中，η为学习率，
Figure BDA0003120644030000082
为第
Figure BDA0003120644030000083
个点火神经元的目标点火时间，
Figure BDA0003120644030000084
为第i个点火神经元的目标点火时间。
A7、根据权重调整后的多层分类器，获取当前输出层的实际点火时间，计算实际点火时间与目标点火时间的均方误差；
A8、判断均方误差是否小于设定误差阈值，若是，则得到训练完成的多层分类器，若否，则跳转至步骤A1。

Claims (5)

1.一种基于延迟机制的多层图像分类方法，其特征在于，包括以下步骤：
S1、构建图像分类模型；
S2、采用图像集对图像分类模型进行训练，得到训练完成的图像分类模型；
S3、采用训练完成的图像分类模型对图像进行分类，得到图像的类别；
图像分类模型包括依次连接的特征提取单元、脉冲延迟编码单元和多层分类器；所述特征提取单元用于对图像进行特征提取，得到特征图像数据；所述脉冲延迟编码单元用于对特征图像数据进行编码，得到激发脉冲时间序列；所述多层分类器用于处理激发脉冲时间序列，得到图像的类别；
多层分类器包括：输入层、隐藏层和输出层；
所述多层分类器的训练方法为：
A1、将激发脉冲时间序列输入多层分类器，确定每层每个神经元的目标点火时间，将未点火的神经元的点火时间记为-1；
A2、选出点火时间不为-1的输出层或隐藏层上的点火神经元；
A3、根据每层每个神经元的目标点火时间，计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数；
A4、根据输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数，对输出层和隐藏层间的所有点火神经元的延迟进行调整，对输入层和隐藏层间的所有点火神经元的延迟进行调整；
A5、根据延迟调整后的多层分类器，再次计算输出层所有点火神经元的学习参数和隐藏层所有点火神经元的学习参数；
A6、根据步骤A5计算的学习参数，对输出层和隐藏层间的所有点火神经元的突触权重进行调整，对输入层和隐藏层间的所有点火神经元的突触权重进行调整；
A7、根据权重调整后的多层分类器，获取当前输出层的实际点火时间，计算实际点火时间与目标点火时间的均方误差；
A8、判断均方误差是否小于设定误差阈值，若是，则得到训练完成的多层分类器，若否，则跳转至步骤A1。
2.根据权利要求1所述的基于延迟机制的多层图像分类方法，其特征在于，所述脉冲延迟编码单元对特征图像数据进行编码的公式为：
ti＝tmax-ln(axi+1)
其中，ti为第i个像素点对应的激发脉冲时间点，tmax为编辑时间窗的大小，a为编码参数，xi为特征图像数据对应的第i个像素点的像素值。
3.根据权利要求2所述的基于延迟机制的多层图像分类方法，其特征在于，所述步骤A3中隐藏层所有点火神经元的学习参数
Figure FDA0003549326250000021
和输出层所有点火神经元的学习参数
Figure FDA0003549326250000022
的计算公式为：
Figure FDA0003549326250000023
其中，
Figure FDA0003549326250000024
为所有与点火神经元
Figure FDA00035493262500000219
连接的神经元集合，
Figure FDA0003549326250000025
为第
Figure FDA0003549326250000026
个点火神经元与第
Figure FDA0003549326250000027
个点火神经元间的第
Figure FDA0003549326250000028
个突触权重，输入层上的神经元以h标记，隐藏层上的点火神经元以
Figure FDA0003549326250000029
标记，输出层上的点火神经元以
Figure FDA00035493262500000210
标记，
Figure FDA00035493262500000211
为偏导运算，τ为神经元的膜时间常量，
Figure FDA00035493262500000212
为第
Figure FDA00035493262500000213
个点火神经元的目标点火时间，
Figure FDA00035493262500000214
为第
Figure FDA00035493262500000215
个点火神经元的目标点火时间，
Figure FDA00035493262500000216
为第
Figure FDA00035493262500000217
个点火神经元的膜电压第一次超过阈值的时间，
Figure FDA00035493262500000218
为隐藏层和输出层间点火神经元的第
Figure FDA0003549326250000031
个突触权重的延迟，dl为输入层与隐藏层间点火神经元的第l个突触权重的延迟，
Figure FDA0003549326250000032
为第
Figure FDA0003549326250000033
个点火神经元与第h个神经元间的第l个突触权重。
4.根据权利要求3所述的基于延迟机制的多层图像分类方法，其特征在于，所述步骤A4中对输出层和隐藏层间的所有点火神经元的延迟进行调整，其中调整的增量
Figure FDA0003549326250000034
的计算公式为：
Figure FDA0003549326250000035
对输入层和隐藏层间的所有点火神经元的延迟进行调整，其中，调整的增量Δdh的计算公式为：
Figure FDA0003549326250000036
其中，
Figure FDA0003549326250000037
为输出层上的第
Figure FDA0003549326250000038
个点火神经元的学习参数，
Figure FDA0003549326250000039
为隐藏层上的第i个点火神经元的学习参数，
Figure FDA00035493262500000310
为第
Figure FDA00035493262500000311
个点火神经元与第
Figure FDA00035493262500000312
个点火神经元间的第
Figure FDA00035493262500000313
个突触权重，
Figure FDA00035493262500000314
为所有与点火神经元
Figure FDA00035493262500000315
连接的神经元集合，
Figure FDA00035493262500000316
为所有与点火神经元
Figure FDA00035493262500000317
连接的神经元集合，隐藏层上的点火神经元以
Figure FDA00035493262500000318
标记，输出层上的点火神经元以
Figure FDA00035493262500000319
标记，
Figure FDA00035493262500000320
为第
Figure FDA00035493262500000321
个点火神经元与第h个神经元间的第l个突触权重，tn为第h个神经元的膜电压第一次超过阈值的时间，为时间，
Figure FDA00035493262500000322
为隐藏层和输出层间点火神经元的第
Figure FDA00035493262500000323
个突触权重的延迟，dl为输入层与隐藏层间点火神经元的第l个突触权重的延迟，
Figure FDA00035493262500000324
为第
Figure FDA00035493262500000325
个点火神经元的膜电压第一次超过阈值的时间。
5.根据权利要求4所述的基于延迟机制的多层图像分类方法，其特征在于，所述步骤A6中对输出层和隐藏层间的所有点火神经元的突触权重进行调整，其中调整的增量的计算公式为：
Figure FDA00035493262500000326
对输入层和隐藏层间的所有点火神经元的突触权重进行调整，其中调整的增量的计算公式为：
Figure FDA0003549326250000041
其中，η为学习率，
Figure FDA0003549326250000042
为第
Figure FDA0003549326250000043
个点火神经元的目标点火时间，
Figure FDA0003549326250000044
为第
Figure FDA0003549326250000045
个点火神经元的目标点火时间。
CN202110676116.7A 2021-06-18 2021-06-18 一种基于延迟机制的多层图像分类方法 Active CN113408611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110676116.7A CN113408611B (zh) 2021-06-18 2021-06-18 一种基于延迟机制的多层图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110676116.7A CN113408611B (zh) 2021-06-18 2021-06-18 一种基于延迟机制的多层图像分类方法

Publications (2)

Publication Number Publication Date
CN113408611A CN113408611A (zh) 2021-09-17
CN113408611B true CN113408611B (zh) 2022-05-10

Family

ID=77685108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110676116.7A Active CN113408611B (zh) 2021-06-18 2021-06-18 一种基于延迟机制的多层图像分类方法

Country Status (1)

Country Link
CN (1) CN113408611B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818914B (zh) * 2022-04-24 2024-05-24 重庆大学 基于相空间和光流图像的多变量时间序列的分类方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015134328A1 (en) * 2014-03-07 2015-09-11 Qualcomm Incorporated Photo management
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
WO2016028446A1 (en) * 2014-08-19 2016-02-25 Qualcomm Incorporated Knowledge-graph biased classification for data
CN107016371A (zh) * 2017-04-09 2017-08-04 北京工业大学 基于改进的深度置信网络的无人机着陆地貌分类方法
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
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
CN109214395A (zh) * 2018-08-21 2019-01-15 电子科技大学 一种基于脉冲神经网络的图像特征描述方法
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
CN111858989A (zh) * 2020-06-09 2020-10-30 西安工程大学 一种基于注意力机制的脉冲卷积神经网络的图像分类方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8990132B2 (en) * 2010-01-19 2015-03-24 James Ting-Ho Lo Artificial neural networks based on a low-order model of biological neural networks
US20180174042A1 (en) * 2016-12-20 2018-06-21 Intel Corporation Supervised training and pattern matching techniques for neural networks
CN108846408A (zh) * 2018-04-25 2018-11-20 中国人民解放军军事科学院军事医学研究院 基于脉冲神经网络的图像分类方法及装置
CN110119785B (zh) * 2019-05-17 2020-12-01 电子科技大学 一种基于多层spiking卷积神经网络的图像分类方法
CN110659666B (zh) * 2019-08-06 2022-05-13 广东工业大学 一种基于相互作用的多层脉冲神经网络的图像分类方法
CN112906828A (zh) * 2021-04-08 2021-06-04 周士博 一种基于时域编码和脉冲神经网络的图像分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015134328A1 (en) * 2014-03-07 2015-09-11 Qualcomm Incorporated Photo management
WO2016028446A1 (en) * 2014-08-19 2016-02-25 Qualcomm Incorporated Knowledge-graph biased classification for data
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
CN107016371A (zh) * 2017-04-09 2017-08-04 北京工业大学 基于改进的深度置信网络的无人机着陆地貌分类方法
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
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
CN109214395A (zh) * 2018-08-21 2019-01-15 电子科技大学 一种基于脉冲神经网络的图像特征描述方法
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
CN111858989A (zh) * 2020-06-09 2020-10-30 西安工程大学 一种基于注意力机制的脉冲卷积神经网络的图像分类方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Delay Learning Algorithm Based on Spike Train Kernels for Spiking Neurons;Xiangwen Wang等;《Frontiers in Neuroscience》;20190327;第13卷;第1-16页 *
Spiking学习算法研究及其在图像特征提取上的应用;曾志;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180215(第（2018）02期);I138-1512 *
Spiking机器学习算法研究;张马路;《中国博士学位论文全文数据库 信息科技辑》;20200115(第（2020）01期);I140-32 *
The hippocampus encodes delay and value information during delay-discounting decision making;Akira Masuda等;《Neuroscience》;20200220;第1-23页 *
基于Spiking的深度网络模型研究及其应用;肖艳清;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200115(第（2020）01期);I140-230 *
基于脉冲神经网络与移动GPU计算的图像分类算法研究与实现;徐频捷等;《计算机工程与科学》;20200331;第42卷(第3期);第397-403页 *

Also Published As

Publication number Publication date
CN113408611A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN110163093B (zh) 一种基于遗传算法的路牌识别对抗防御方法
CN111858989B (zh) 一种基于注意力机制的脉冲卷积神经网络的图像分类方法
CN111753881B (zh) 一种基于概念敏感性量化识别对抗攻击的防御方法
CN111507884A (zh) 一种基于深层卷积神经网络的自适应图像隐写分析方法及系统
CN111477247B (zh) 基于gan的语音对抗样本生成方法
CN108304912B (zh) 一种运用抑制信号实现脉冲神经网络监督学习的系统和方法
CN112633497A (zh) 一种基于重加权膜电压的卷积脉冲神经网络的训练方法
CN1689036A (zh) 用于自动建立经验评级和/或风险准备金的系统和方法
CN110659666B (zh) 一种基于相互作用的多层脉冲神经网络的图像分类方法
CN113408611B (zh) 一种基于延迟机制的多层图像分类方法
CN112861945B (zh) 一种多模态融合谎言检测方法
CN107609648B (zh) 一种结合堆叠降噪稀疏自动编码器的遗传算法
CN112906828A (zh) 一种基于时域编码和脉冲神经网络的图像分类方法
CN114186672A (zh) 一种用于脉冲神经网络的高效高精度训练算法
CN111310816B (zh) 基于无监督匹配追踪编码的仿脑架构图像识别方法
CN111130909B (zh) 基于自适应储备池esn的网络流量预测方法
CN112926661A (zh) 一种增强图像分类鲁棒性的方法
CN114266351A (zh) 基于无监督学习时间编码的脉冲神经网络训练方法及系统
CN111091815A (zh) 基于膜电压驱动的聚合标签学习模型的语音识别方法
CN115809700A (zh) 基于突触-阈值协同的脉冲神经网络学习方法
CN115170943A (zh) 一种基于迁移学习的改进视觉Transformer海底底质声呐图像分类方法
CN108846349A (zh) 一种基于动态Spiking神经网络的人脸识别方法
KR102311135B1 (ko) 스파이킹 뉴럴 네트워크에 대한 연산량을 감소시키는 stdp 기반의 뉴로모픽 연산처리장치
CN116403054A (zh) 基于类脑网络模型的图像优化分类方法
CN110598737A (zh) 一种深度学习模型的在线学习方法、装置、设备及介质

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