CN108846408A - 基于脉冲神经网络的图像分类方法及装置 - Google Patents
基于脉冲神经网络的图像分类方法及装置 Download PDFInfo
- Publication number
- CN108846408A CN108846408A CN201810382816.3A CN201810382816A CN108846408A CN 108846408 A CN108846408 A CN 108846408A CN 201810382816 A CN201810382816 A CN 201810382816A CN 108846408 A CN108846408 A CN 108846408A
- Authority
- CN
- China
- Prior art keywords
- neuron
- burst length
- length sequence
- neural networks
- image classification
- 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.)
- Pending
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F5/00—Methods or arrangements for data conversion without changing the order or content of the data handled
- G06F5/06—Methods or arrangements for data conversion without changing the order or content of the data handled for changing the speed of data flow, i.e. speed regularising or timing, e.g. delay lines, FIFO buffers; over- or underrun control therefor
- G06F5/065—Partitioned buffers, e.g. allowing multiple independent queues, bidirectional FIFO's
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于脉冲神经网络的图像分类方法,包括:将外部输入的图像模拟量编码成脉冲时间序列;脉冲时间序列分别添加延时信息,并将添加延时信息的脉冲时间序列存入FIFO存储器内进行缓存;将当前添加延时信息的脉冲时间序列输入到IF脉冲神经元模型中以产生神经元膜电压信号,其中,IF脉冲神经元模型采用流水线架构并且神经元模型计算方法是经过优化的;以及通过将膜电压信号与阈值比较并对膜电压信号进行分类判别,来产生基于泊松分布的神经脉冲序列。本发明的图像分类方法能够使得脉冲神经网络具有强大计算能力,并且可以模拟各种神经元信号和任意连续函数,运算效率高,使脉冲神经网络更具有硬件实现价值。
Description
技术领域
本发明涉及神经网络技术领域,特别是涉及一种基于脉冲神经网络的图像分类方法及装置。
背景技术
图像分类技术是图像处理和计算机视觉领域的非常具有挑战性的基础问题,传统的图像分类方法是使用颜色特征、形态特征或者纹理信息计算出图像的特征,都是基于像素实现的,主要是利用图像的光谱特征,因此能得到的信息是有限的。
传统的人工神经网络即第一代和第二代神经网络是对生物神经元的脉冲发放频率进行编码,神经元的输出一般也是为给定区间的模拟,其运算能力和生物真实性弱于脉冲神经网络。然而目前脉冲神经网络以软件的实现方式为主,具有灵活性强、精度高的特点,但无法充分利用神经网络高并行性的特点,处理速度慢、功耗高。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于脉冲神经网络的图像分类方法,从而克服现有技术无法充分利用神经网络高并行性的特点、处理速度慢、功耗高的缺点。
为实现上述目的,本发明提供了一种基于脉冲神经网络的图像分类方法,包括如下步骤:将外部输入的图像模拟量编码成脉冲时间序列;脉冲时间序列分别添加延时信息,并将添加延时信息的脉冲时间序列存入FIFO存储器内进行缓存;将当前添加延时信息的脉冲时间序列输入到IF脉冲神经元模型中以产生神经元膜电压信号,其中,IF脉冲神经元模型采用流水线架构并且神经元模型计算方法是经过优化的;以及通过将膜电压信号与阈值比较并对膜电压信号进行分类判别,来产生基于泊松分布的神经脉冲序列。
优选地,上述技术方案中,图像模拟量是图像灰度值。
优选地,上述技术方案中,图像模拟量是采用Time-to-Frst-Spike编码策略来编码成脉冲时间序列的。
优选地,上述技术方案中,优化神经元计算模型包括:分解计算公式以离散化膜电压变化函数,并将浮点运算转化为定点运算。
优选地,上述技术方案中,IF神经元模型具有三级流水线的形式,其中,每级维持1个时钟周期,当神经元计算模型输出的膜电位超过阈值电压时,产生一个神经脉冲。
优选地,上述技术方案中,采用分时复用技术实现神经元阵列。
优选地,上述技术方案中,采用分时复用技术实现神经元阵列具体为:利用8个物理神经计算单元实现256个神经元,神经元之间通过不同的突触权重和延迟进行连接。
本发明还提供了一种基于脉冲神经网络的图像分类装置,该图像分类装置包括:用于将外部输入的图像模拟量编码成脉冲时间序列的单元;用于为脉冲时间序列分别添加延时信息并将添加延时信息的脉冲时间序列存入FIFO存储器内进行缓存的单元;用于将当前添加延时信息的脉冲时间序列输入到IF脉冲神经元模型中以产生神经元膜电压信号的单元,其中,IF脉冲神经元模型采用流水线架构并且神经元模型计算方法是经过优化的;以及用于通过将膜电压信号与阈值比较并对膜电压信号进行分类判别来产生基于泊松分布的神经脉冲序列的单元。
优选地,上述技术方案中,IF神经元模型具有三级流水线的形式,其中,每级维持1个时钟周期,当神经元计算模型输出的膜电位超过阈值电压时,产生一个神经脉冲。
优选地,上述技术方案中,采用分时复用技术实现神经元阵列,采用分时复用技术实现神经元阵列具体为:利用8个物理神经计算单元实现256个神经元,神经元之间通过不同的突触权重和延迟进行连接。
与现有技术相比,本发明具有如下有益效果:1.将图像灰度值通过Time-to-Frst-Spike线性编码策略转换为脉冲精确时间信息,使得脉冲神经网络具有强大计算能力,并且可以模拟各种神经元信号和任意连续函数。2.通过优化和分解IF神经元计算公式,可以降低神经元模型的复杂性,提高运算的效率。3.IF神经元采用三级流水线架构进行实现,提高***的吞吐率,使脉冲神经网络更具有硬件实现价值。
附图说明
图1为根据本发明的一个实施例的图像分类方法流程图;
图2为根据本发明的一个实施例的流程示意图;
图3为根据本发明的一个实施例的神经脉冲编码示意图;
图4为根据本发明的一个实施例的单个IF脉冲神经元复用结构图;
图5为根据本发明的一个实施例的神经元计算模型示意图。
具体实施方式
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
图1为根据本发明的一个实施例的基于脉冲神经网络的图像分类方法的流程图,如图所示,本发明的实施例的图像分类方法包括以下步骤:步骤101:将外部输入的图像模拟量编码成脉冲时间序列;步骤102:脉冲时间序列分别添加延时信息,并将添加延时信息的脉冲时间序列存入FIFO存储器内进行缓存;步骤103:将当前添加延时信息的脉冲时间序列输入到IF脉冲神经元模型中以产生神经元膜电压信号,其中,IF脉冲神经元模型采用流水线架构并且神经元模型计算方法是经过优化的;步骤104:以及通过将膜电压信号与阈值比较并对膜电压信号进行分类判别,来产生基于泊松分布的神经脉冲序列。
在步骤101中,输入W×H大小的图像映射到W×H大小的输入层,每个像素对应一个神经元;
对于每个神经元Ai对应的的像素采用Time-to-Frst-Spike的线性编码策略对图像灰度值进行编码,根据公式(1)实现输入层图像灰度值转换为脉冲时间序列t(f);
在步骤103中,FIFO缓存的神经脉冲输入到脉冲神经元阵列中,索引与其相连接的目标神经元权重,并累加到对应的权值存储器中,其中脉冲神经元阵列是由8组32个IF神经元计算模型分时复用成256个神经元组成,神经元间不同连接方式具有不同的突触权重和延迟,权重存储器可以根据神经元网络结构灵活配置;
根据公式(2)、(3)为添加完权重值的输入神经脉冲添加V[n]rise和V[n]fall,经过符号扩展和移位操作,根据公式(4)生成膜电位电压,当膜电位超过阈值电压时,产生一个神经脉冲,其中IF神经元计算模型采用三级流水线结构,每个阶段维持1个时钟周期。
V[n+1]=V[n+1]fall-V[n+1]rise 公式(4)
其中公式(2)、(3)是由IF神经元模型计算公式(5)、(6)分解优化而来;
当生成的膜电位电压超过阈值电压是,产生一个神经脉冲。
图2为根据本发明的一个实施例的流程示意图。如图2所示,本发明的方法包括如下过程,首先原始图像灰度经过Time-to-Frst-Spike编码策略来编码成脉冲时间信息,随后依据时延查找表对每一个脉冲时间信息添加时延信号,以生成一系列具有不同时延的脉冲时间序列(spiken、spike1、spike2等),时延信息查找表中总共有16种不同的延时时间。随后将这些具有不同时延的脉冲时间序列输入到FIFO存储器,随后FIFO存储器将添加延时信息的脉冲时间序列输入到脉冲神经元阵列中以产生神经元膜电压信号,随后将膜电压信号与阈值比较并对膜电压信号进行分类判别,来产生基于泊松分布的神经脉冲序列。
图3为根据本发明的一个实施例的神经脉冲编码示意图,如图3所示,输入W×H大小的原始图像,则输入层中就有W×H个神经元与图像相对应;
结合图2和图3,在输入层中,以每个神经元Ai(i=1,2,…,W×H)为中心构成大小为N×N的矩形感受野,采用Time-to-Frst-Spike线性编码策略将图像模拟量转化为脉冲时间信息,以感受野为单位送入神经元计算模型进行计算,如果神经元位于输入层的边缘位置,则够不成一个完整的N×N的感受野,那么该矩形空余位置不发放脉冲。
图4为根据本发明的一个实施例的神经脉冲编码单元示意图,***中用8组物理神经计算单元实现256个神经元,每组计算单元结构包含32个神经元,如图4所示,神经元之间通过具有不同突触权重和延迟进行连接,权值可以根据神经网络结构灵活配置,产生脉冲的神经元与其相连接的所有目标神经元间的权重累加到对应的权重存储器中,其中当权重为0时,神经元之间没有连接,这样权重存储器就保存当前时刻接收到的脉冲值,然后输入到IF神经元计算模型中执行膜电压转化运算。
图5为根据本发明的一个实施例的神经元计算模型示意图,如图5所示,模型采用三级流水线结构,转化包括三个阶段,每个阶段维持1个时钟周期,第1阶段为从权重存储器中提取神经脉冲权重,第2阶段和第3阶段添加V[n]rise和V[n]fall值,然后生成膜电压,当膜电压超过阈值电压时,产生一个新的神经脉冲。
产生的新的神经脉冲根据分类策略进行分类,将20个输出脉冲进行分组,2个神经元为1组对应数字0~9,哪一组产生的神经脉冲数量最多,该组对应的数字就是分类结果,当两组产生的脉冲数目相同时,数字越小的组优先级越高。
为了验证以上结果使用MNIST数据集的手写数字识别库,其中训练集有60000幅图像,测试集有10000幅图像,每一幅为28×28像素的灰度图像,灰度值用0~255的整数表示,若像素图中的灰度值大于128,则该数字对应像素点产生一个脉冲,准确率达到93%以上。
再分析该方法的处理速度,基于该方法采用Xilinx的FPGA Zynq7020作为实现载体,FPGA输入时钟为50MHz,设计中每个神经元都采用时分复用和流水线结构,工作可以达到50MHz,因此完成一个神经元行为需要耗时20ns,1个神经元时分复用成32个,因此总共需要640ns,而真实生物神经元处理脉冲激励的时常为1ms,处理速度比实际生物神经元快接近1600倍。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种基于脉冲神经网络的图像分类方法,其特征在于,所述图像分类方法包括如下步骤:
将外部输入的图像模拟量编码成脉冲时间序列;
对所述脉冲时间序列分别添加延时信息,并将添加延时信息的脉冲时间序列存入FIFO存储器内进行缓存;
将当前添加延时信息的脉冲时间序列输入到IF脉冲神经元模型中以产生神经元膜电压信号,其中,所述IF脉冲神经元模型采用流水线架构并且神经元模型计算方法是经过优化的;以及
通过将所述膜电压信号与阈值比较并对所述膜电压信号进行分类判别,来产生基于泊松分布的神经脉冲序列。
2.根据权利要求1所述的基于脉冲神经网络的图像分类方法,其特征在于,所述图像模拟量是图像灰度值。
3.根据权利要求1所述的基于脉冲神经网络的图像分类方法,其特征在于,所述图像模拟量是采用Time-to-Frst-Spike编码策略来编码成脉冲时间序列的。
4.根据权利要求1所述的基于脉冲神经网络的图像分类方法,其特征在于,优化神经元计算模型包括:分解计算公式以离散化膜电压变化函数,并将浮点运算转化为定点运算。
5.根据权利要求1所述的基于脉冲神经网络的图像分类方法,其特征在于,所述IF神经元模型具有三级流水线的形式,其中,每级维持1个时钟周期,当所述神经元计算模型输出的膜电位超过阈值电压时,产生一个神经脉冲。
6.根据权利要求1所述的基于脉冲神经网络的图像分类方法,其特征在于,采用分时复用技术实现神经元阵列。
7.根据权利要求6所述的基于脉冲神经网络的图像分类方法,其特征在于,所述采用分时复用技术实现神经元阵列具体为:利用8个物理神经计算单元实现256个神经元,神经元之间通过不同的突触权重和延迟进行连接。
8.一种基于脉冲神经网络的图像分类装置,其特征在于,所述图像分类装置包括:
用于将外部输入的图像模拟量编码成脉冲时间序列的单元;
用于为所述脉冲时间序列分别添加延时信息并将添加延时信息的脉冲时间序列存入FIFO存储器内进行缓存的单元;
用于将当前添加延时信息的脉冲时间序列输入到IF脉冲神经元模型中以产生神经元膜电压信号的单元,其中,所述IF脉冲神经元模型采用流水线架构并且神经元模型计算方法是经过优化的;以及
用于通过将所述膜电压信号与阈值比较并对所述膜电压信号进行分类判别来产生基于泊松分布的神经脉冲序列的单元。
9.根据权利要求8所述的图像分类装置,其特征在于,所述IF神经元模型具有三级流水线的形式,其中,每级维持1个时钟周期,当所述神经元计算模型输出的膜电位超过阈值电压时,产生一个神经脉冲。
10.根据权利要求8所述的图像分类装置,其特征在于,采用分时复用技术实现神经元阵列,所述采用分时复用技术实现神经元阵列具体为:利用8个物理神经计算单元实现256个神经元,神经元之间通过不同的突触权重和延迟进行连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382816.3A CN108846408A (zh) | 2018-04-25 | 2018-04-25 | 基于脉冲神经网络的图像分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382816.3A CN108846408A (zh) | 2018-04-25 | 2018-04-25 | 基于脉冲神经网络的图像分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108846408A true CN108846408A (zh) | 2018-11-20 |
Family
ID=64212364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810382816.3A Pending CN108846408A (zh) | 2018-04-25 | 2018-04-25 | 基于脉冲神经网络的图像分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846408A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657707A (zh) * | 2018-12-04 | 2019-04-19 | 浙江大学 | 一种基于观测矩阵变换维度的图像分类方法 |
CN109800872A (zh) * | 2019-01-28 | 2019-05-24 | 电子科技大学 | 一种基于分段复用和参数量化共享的神经形态处理器 |
CN110046695A (zh) * | 2019-04-09 | 2019-07-23 | 中国科学技术大学 | 一种可配置的高并行度脉冲神经元阵列 |
CN110287858A (zh) * | 2019-06-21 | 2019-09-27 | 天津大学 | 基于fpga的仿生脉冲神经网络视觉识别*** |
CN110378469A (zh) * | 2019-07-11 | 2019-10-25 | 中国人民解放军国防科技大学 | 基于异步电路的scnn推理装置及其pe单元、处理器及计算机设备 |
CN111583094A (zh) * | 2020-05-09 | 2020-08-25 | 之江实验室 | 一种基于fpga的图像脉冲编码方法及*** |
CN111709967A (zh) * | 2019-10-28 | 2020-09-25 | 北京大学 | 一种目标检测方法、目标跟踪方法、装置及可读存储介质 |
CN111753975A (zh) * | 2020-07-01 | 2020-10-09 | 复旦大学 | 一种面向物联网的自然模拟信号的类脑处理方法 |
CN112308107A (zh) * | 2019-07-25 | 2021-02-02 | 智力芯片有限责任公司 | 可重构和时间编码卷积尖峰神经网络中基于事件的特征分类 |
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 |
CN112949834A (zh) * | 2021-03-26 | 2021-06-11 | 北京航空航天大学 | 一种概率计算脉冲式神经网络计算单元和架构 |
CN112949833A (zh) * | 2021-03-26 | 2021-06-11 | 北京航空航天大学 | 一种概率计算神经元计算单元和构造方法 |
CN113128675A (zh) * | 2021-04-21 | 2021-07-16 | 南京大学 | 一种基于脉冲神经网络的无乘法卷积调度器及其硬件实现方法 |
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 |
CN113408612A (zh) * | 2021-06-18 | 2021-09-17 | 电子科技大学 | 一种基于DW-Tempotron算法的图像分类方法 |
CN113515468A (zh) * | 2021-09-14 | 2021-10-19 | 成都时识科技有限公司 | 数据更新方法和存储空间设置方法及装置、芯片、设备 |
CN114222142A (zh) * | 2022-02-23 | 2022-03-22 | 北京智芯微电子科技有限公司 | 基于脉冲神经网络的图像编码方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957095A (zh) * | 2016-06-15 | 2016-09-21 | 电子科技大学 | 一种基于灰度图像的Spiking角点检测方法 |
CN106934457A (zh) * | 2017-03-08 | 2017-07-07 | 杭州领芯电子有限公司 | 一种可灵活时分复用的脉冲神经元实现架构 |
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 |
-
2018
- 2018-04-25 CN CN201810382816.3A patent/CN108846408A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957095A (zh) * | 2016-06-15 | 2016-09-21 | 电子科技大学 | 一种基于灰度图像的Spiking角点检测方法 |
CN106934457A (zh) * | 2017-03-08 | 2017-07-07 | 杭州领芯电子有限公司 | 一种可灵活时分复用的脉冲神经元实现架构 |
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 |
Non-Patent Citations (3)
Title |
---|
张玉平: "递归脉冲神经网络的监督学习及图像识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
沈阳靖: "基于FPGA的脉冲神经网络加速器的设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
谢锦丽: "面向刺激编码的反馈脉冲神经网络相关性放电研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657707A (zh) * | 2018-12-04 | 2019-04-19 | 浙江大学 | 一种基于观测矩阵变换维度的图像分类方法 |
CN109800872A (zh) * | 2019-01-28 | 2019-05-24 | 电子科技大学 | 一种基于分段复用和参数量化共享的神经形态处理器 |
CN109800872B (zh) * | 2019-01-28 | 2022-12-16 | 电子科技大学 | 一种基于分段复用和参数量化共享的神经形态处理器 |
CN110046695B (zh) * | 2019-04-09 | 2021-04-23 | 中国科学技术大学 | 一种可配置的高并行度脉冲神经元阵列 |
CN110046695A (zh) * | 2019-04-09 | 2019-07-23 | 中国科学技术大学 | 一种可配置的高并行度脉冲神经元阵列 |
CN110287858A (zh) * | 2019-06-21 | 2019-09-27 | 天津大学 | 基于fpga的仿生脉冲神经网络视觉识别*** |
CN110378469A (zh) * | 2019-07-11 | 2019-10-25 | 中国人民解放军国防科技大学 | 基于异步电路的scnn推理装置及其pe单元、处理器及计算机设备 |
CN112308107A (zh) * | 2019-07-25 | 2021-02-02 | 智力芯片有限责任公司 | 可重构和时间编码卷积尖峰神经网络中基于事件的特征分类 |
CN111709967A (zh) * | 2019-10-28 | 2020-09-25 | 北京大学 | 一种目标检测方法、目标跟踪方法、装置及可读存储介质 |
CN111709967B (zh) * | 2019-10-28 | 2023-04-07 | 脉冲视觉(北京)科技有限公司 | 一种目标检测方法、目标跟踪方法、装置及可读存储介质 |
CN111583094A (zh) * | 2020-05-09 | 2020-08-25 | 之江实验室 | 一种基于fpga的图像脉冲编码方法及*** |
CN111583094B (zh) * | 2020-05-09 | 2023-04-25 | 之江实验室 | 一种基于fpga的图像脉冲编码方法及*** |
CN111753975A (zh) * | 2020-07-01 | 2020-10-09 | 复旦大学 | 一种面向物联网的自然模拟信号的类脑处理方法 |
CN111753975B (zh) * | 2020-07-01 | 2024-03-05 | 复旦大学 | 一种面向物联网的自然模拟信号的类脑处理方法 |
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 |
CN112949833A (zh) * | 2021-03-26 | 2021-06-11 | 北京航空航天大学 | 一种概率计算神经元计算单元和构造方法 |
CN112949834B (zh) * | 2021-03-26 | 2022-09-06 | 北京航空航天大学 | 一种概率计算脉冲式神经网络计算单元和架构 |
CN112949834A (zh) * | 2021-03-26 | 2021-06-11 | 北京航空航天大学 | 一种概率计算脉冲式神经网络计算单元和架构 |
CN113128675A (zh) * | 2021-04-21 | 2021-07-16 | 南京大学 | 一种基于脉冲神经网络的无乘法卷积调度器及其硬件实现方法 |
CN113128675B (zh) * | 2021-04-21 | 2023-12-26 | 南京大学 | 一种基于脉冲神经网络的无乘法卷积调度器及其硬件实现方法 |
CN113408612A (zh) * | 2021-06-18 | 2021-09-17 | 电子科技大学 | 一种基于DW-Tempotron算法的图像分类方法 |
CN113408612B (zh) * | 2021-06-18 | 2023-04-07 | 电子科技大学 | 一种基于DW-Tempotron算法的图像分类方法 |
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 |
CN113515468A (zh) * | 2021-09-14 | 2021-10-19 | 成都时识科技有限公司 | 数据更新方法和存储空间设置方法及装置、芯片、设备 |
CN114222142A (zh) * | 2022-02-23 | 2022-03-22 | 北京智芯微电子科技有限公司 | 基于脉冲神经网络的图像编码方法及装置 |
CN114222142B (zh) * | 2022-02-23 | 2022-05-06 | 北京智芯微电子科技有限公司 | 基于脉冲神经网络的图像编码方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846408A (zh) | 基于脉冲神经网络的图像分类方法及装置 | |
Li et al. | Efficient densely connected convolutional neural networks | |
CN112633497B (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 | |
Kannojia et al. | Effects of varying resolution on performance of CNN based image classification: An experimental study | |
CN107577651B (zh) | 基于对抗网络的汉字字体迁移*** | |
CN110472730A (zh) | 一种卷积神经网络的自蒸馏训练方法和可伸缩动态预测方法 | |
CN108510012A (zh) | 一种基于多尺度特征图的目标快速检测方法 | |
CN107590774A (zh) | 一种基于生成对抗网络的车牌清晰化方法及装置 | |
CN111144329A (zh) | 一种基于多标签的轻量快速人群计数方法 | |
Hikawa | Frequency-based multilayer neural network with on-chip learning and enhanced neuron characteristics | |
Smithson et al. | Stochastic computing can improve upon digital spiking neural networks | |
CN111523546A (zh) | 图像语义分割方法、***及计算机存储介质 | |
CN109344964A (zh) | 一种适用于神经网络的乘加计算方法和计算电路 | |
CN104182771A (zh) | 基于带丢包自动编码技术的时间序列数据图形化分析方法 | |
CN107870321A (zh) | 基于伪标签学习的雷达一维距离像目标识别方法 | |
Gupta et al. | FPGA implementation of simplified spiking neural network | |
Wang et al. | Encoder-and decoder-based networks using multiscale feature fusion and nonlocal block for remote sensing image semantic segmentation | |
Wang et al. | GridNet: efficiently learning deep hierarchical representation for 3D point cloud understanding | |
CN109670582B (zh) | 一种全定点化神经网络的设计方法 | |
Paudel et al. | On the resiliency of an analog memristive architecture against adversarial attacks | |
CN113033795B (zh) | 基于时间步的二值脉冲图的脉冲卷积神经网络硬件加速器 | |
CN114612493A (zh) | 基于fpga的脉冲神经网路图像分割方法 | |
CN112949834B (zh) | 一种概率计算脉冲式神经网络计算单元和架构 | |
CN114445607A (zh) | 存算一体低功耗一体化图像识别***及方法 | |
CN112989955A (zh) | 基于空时双流异构嫁接卷积神经网络人体动作识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181120 |
|
RJ01 | Rejection of invention patent application after publication |