神经形态视觉传感器及其应用研究

神经形态视觉传感器是一种模拟生物视觉系统工作机理的传感器,具有高时间分辨率、低时延、低功耗以及高动态范围等特点。首先,介绍了神经形态工程的研究背景、神经形态芯片以及神经形态视觉传感器的工作机理和主要优点。然后,详细介绍了神经形态视觉的主要计算方法,包括概率统计方法、脉冲神经网络方法以及深度神经网络方法等。最后,综述了神经形态视觉传感器在同步定位与地图构建、图像重建以及特征检测与跟踪等方面的应用研究。对神经形态视觉传感器从硬件、计算方法和应用等方面作了系统概述,为相关研究者提供了全面的参考。

基于局部平面拟合的神经形态视觉光流估计算法

在新一代人工智能领域中,神经形态视觉是类脑计算的一个重要研究方向。事件相机具有低功耗、低信息冗余以及高动态范围等优点,在智能飞行器、敏捷机器人的自主控制场景中具有重要应用价值。本文根据事件序列的时空特性,研究基于局部平面拟合的光流估计原理,提出一种运用特征值法进行局部平面拟合来估计光流的算法,并采用随机抽样一致方法进一步提高算法的稳健性。实验表明,本文方法能够有效进行神经形态视觉的光流估计,并且对噪声具有一定的稳健性。

具有感存算一体化的新型神经形态视觉传感器

传统的数字图像处理系统包括图像传感器与图像处理单元,二者在物理空间上分离,图像信息在其间的传输造成了延时与能耗。此外,数字图像传感器基于“帧”的工作原理,可能丢失一些重要信息,或者造成数据冗余。人类视觉系统提供了一种高效并行的信息处理方式。神经形态视觉传感器能够模拟人类视网膜的功能,同时具备感知光信号、存储信号和进行信息预处理的功能。这类感存算一体化的神经形态视觉传感器简化了人工视觉系统的电路复杂性,提升了信息处理效率,节省了系统功耗。文章总结了传统的数字图像传感器存在的问题,介绍了几种重要的人工神经网络,讨论了新型神经形态视觉传感器的研究进展和存在的问题。

适用于SCNN的多维度注意力方法

脉冲卷积神经网络(Spiking Convolutional Neural Network, SCNN)具有强大的局部特征提取能力,但维度分布复杂,对脉冲事件易作出错误判断,影响网络的识别精度与收敛速度。受卷积神经网络的多维度注意力方法(Convolutional Block Attention Module, CBAM)启发,采用双路压缩-提取技术来获取各维度的注意力,提出一种适用于SCNN的多维度注意力方法,提升了网络对脉冲事件的感知能力,并优化了网络整体性能。实验结果表明,相比于基准的空域反向传播(Spatio-Temporal Backpropagation, STBP)算法,提出方法的识别精度提高了4.31%。