12、论文阅读：SpikeYOLO：高性能低能耗目标检测网络
前言
脉冲神经网络（Spiking Neural Networks, SNNs）具有生物合理性和低功耗的优势，相较于人工神经网络（Artificial Neural Networks, ANNs）。然而，由于性能较差，目前 SNNs 的应用仅限于简单的分类任务。
在这项工作中，我们专注于缩小 SNNs 和 ANNs 在物体检测任务上的性能差距。我们的设计围绕网络架构和脉冲神经元展开。
首先，YOLO 系列在转换为对应的脉冲版本时，由于模块设计过于复杂，导致了脉冲退化。为了解决这个问题，我们设计了一种 SpikeYOLO 架构，通过简化原始 YOLO 并引入元 SNN 模块来解决这一问题。
其次，在脉冲神经元将膜电位转换为二进制脉冲的过程中，物体检测对量化误差更加敏感。为了解决这个挑战，我们设计了一种新型脉冲神经元，在训练过程中激活整数值，并通过扩展虚拟时间步长在推理过程中保持脉冲驱动。该方法在静态和神经形态物体检测数据集上进行了验证。
在静态 COCO 数据集上，我们获得了 66.2% mAP@50 和 48.9% mAP@50:95，分别比之前最先进的 SNN 高 15.0% 和 18.7%。 在神经形态 Gen1 数据集上，我们实现了 67.2% mAP@50，比具有同等架构的 ANN 高出 2.5%，并且能量效率提高了 5.7 倍。
解释
（1）低功耗
由于神经元只有在特定条件下才会发放脉冲，这种机制使得 SNNs 的活动非常稀疏。这种稀疏性降低了整体的计算需求，因此大大减少了能耗
（2）脉冲退化
“脉冲退化”指的是在脉冲神经网络（SNNs）中，由于某些因素导致脉冲信号的质量下降或失去原有特性 。这种退化可能源于以下几个方面：
“脉冲退化”本质上是指脉冲神经网络在信息处理和
原文地址：https://blog.csdn.net/DQHNB/article/details/142973726
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！