基于低时延和高精度脉冲神经网络的目标检测

人工神经网络(artificial neural network,ANN)在众多领域取得了显著进展,但其对计算资源和能耗的高需求限制了其在硬件端的部署和应用.脉冲神经网络(spiking neural network,SNN)因其低功耗和快速推理的特性,在神经形态硬件上表现出色.然而,SNN的神经元动态和脉冲发放机制导致其训练过程复杂,目前主要研究集中在图像分类任务上,本文尝试将SNN应用于更为复杂的计算机视觉任务.本文以YOLOv3-tiny网络为基础,提出了Spiking YOLOv3模型,其符合SNN特性的网络模型,在检测任务上实现了更高的准确度,并将平均推理时间减少至约原来工作的1/4.此外,我们还分析了ANN-SNN转换过程中产生的转换误差,并采用量化激活函数对Spiking YOLOv3模型进行了优化以减小转换误差.优化后的模型平均推理时间减少至约原来的1/2,并在VOC与UAV数据集上实现在ANN-SNN无损转换,显著提升了基于该模型的检测效率.

碳纳米管修饰电极-人工神经网络同时检测一氯酚三种异构体

建立了碳纳米管修饰电极-人工神经网络同时检测一氯酚三种异构体的方法。在pH=7.0的磷酸盐缓冲溶液中,邻氯酚、间氯酚和对氯酚在碳纳米管修饰电极上均有一灵敏的不可逆氧化峰。采用微分脉冲溶出伏安法,在优化的实验条件下,邻氯酚、间氯酚和对氯酚的峰电位分别为624 mV、712 mV和632 mV,且浓度分别在2.07～103.66μmol/L、4.62～138.60μmol/L和2.71～108.48μmol/L范围内与峰电流呈良好的线性关系,检出限分别为0.9μmol/L、1.0μmol/L和0.8μmol/L。使用径向基人工神经网络(RBF-ANN)对一氯酚三种异构体混合物的伏安谱图进行分析,总预报误差为7.87%,而偏最小二乘法(PLS)总预报误差为15.57%。结果表明,所建立的方法可同时准确检测一氯酚的三种异构体。

基于脉冲神经网络微调方法的遥感图像目标检测

遥感影像目标检测问题是视觉图像识别任务的重要研究内容之一,但是在船舶遥感图像中,船舶目标小且分布稀疏,使用传统的人工神经网络(ANN)进行目标检测往往会浪费大量的计算资源。脉冲神经网络(SNN)的事件驱动与低功耗特性可以极大地节省能量消耗同时解放更多的计算资源。然而SNN神经元由于其复杂动态与不可微调的脉冲操作,难以正常进行训练。作为替代,将训练好的ANN转换为SNN可以有效规避这一问题。对于转换后的深层SNN,需要大量时间步长(time steps)来维持其性能。这一过程需要大量的计算资源并对产生较大的延迟,与低功耗的研究初衷相违背。本文研究了转换后SNN需要大量time steps维持模型性能的原因,并提出了新的转换方法,基于微调的逐层转换方法;考虑硬件部署的合理性,提出了泊松群编码,相比泊松编码,泊松群编码输出的脉冲序列噪声更小,对模型性能的影响更小。实验表明,微调转换方法在SAR舰船检测数据集(SSDD、AIR-SARShip)上取得与转换前模型(97.9%、79.6%)相近的性能(96.9%、70.3%),在PASCAL VOC数据集上也获得了较好的检测性能(49.2%),而且对于泊松群编码,time steps相同的条件下神经元数目越多,对模型性能的影响越小,时间步长较少的条件下即可获得与输入模拟频率近似的性能。本文的研究可以提升转换后SNN的性能,减少转换后SNN对time steps的需求,并为SNN的硬件部署提供了一个切实有效的输入编码方法。

通过分区间移位实现高效ANN-SNN转换

SNN因其在神经形态芯片中的高能效优势而受到广泛关注。ANN-SNN转换是实现深度SNN的主流方法之一,但在极低延迟下,死神经元脉冲误差导致目标SNN与源ANN之间存在性能差距。为解决死神经元脉冲误差,实现高性能低延迟SNN,本文提出了一种分区间移位激活函数,用于替代传统的ReLU激活函数。实验结果表明,在CIFAR-10数据集上,本文方法得到的SNN仅需4个时间步即可达到94.78%的Top-1准确率。