CN109214395A - 一种基于脉冲神经网络的图像特征描述方法 - Google Patents
一种基于脉冲神经网络的图像特征描述方法 Download PDFInfo
- Publication number
- CN109214395A CN109214395A CN201810953429.0A CN201810953429A CN109214395A CN 109214395 A CN109214395 A CN 109214395A CN 201810953429 A CN201810953429 A CN 201810953429A CN 109214395 A CN109214395 A CN 109214395A
- Authority
- CN
- China
- Prior art keywords
- image
- neuron
- neural networks
- formula
- impulsive neural
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于脉冲神经网络的图像特征描述方法,包括如下步骤:S1、对原始图像进行预处理;S2、使用Sobel算子对脉冲神经网络的Gabor滤波器卷积层进行稀疏化处理;S3、将处理后图像输入稀疏Gabor滤波器卷积层进行特征提取;S4、实现特征提取;S5、使用编码层进行Spiking编码与采样处理;S6、根据脉冲序列,使用改进的Tempotron算法,学习编码层神经元到学习层神经元的连接权重;S7、进行处理后图像的描述,并进行图像特征的描述。本发明解决了现有技术存在的特征选择与提取繁琐,计算复杂,提取的特征对物体的区分性弱,重要特征易丢失和改变以及无法根据记忆对图像进行较完整的恢复的问题。
Description
技术领域
本发明属于智能计算领域,具体涉及一种基于脉冲神经网络的图像特征描述方法。
背景技术
在对物体的识别能力上,生物的视觉***相对于目前的计算机视觉***拥有更强大的能力。当两个不同的图像同时出现在人类试验者的左右时,试验者可以在120-130毫秒的时间内选择出目标物体。如果我们假定人类的视觉***中的处理延迟是20-30毫秒,这意味着潜在的视觉处理可以在100毫秒或更短的时间内完成。在最新的猴子脑电试验中,记录颞叶皮层(IT)的数据显示,在12.5ms的时间段内脉冲点火(Spike),并且在刺激发起之后仅约100ms产生关于视觉刺激的信号。
计算机视觉是使用计算机及相关设备模拟生物视觉,其最终研究目标是使计算机能像人一样通过视觉观察和理解世界,对环境具有自主适应能力。目前,计算机视觉广泛应用于工业、军事等领域,具体应用包括机器人路径规划、无人机侦查、自主战斗等。然而,要实现上述应用,其中一项最基本且重要的研究内容是计算机视觉中的图像分类与识别。其研究思路是:首先,设计一种图像特征的描述和记忆方法;然后,用该方法描述和记忆训练图像,并记录描述和记忆结果;最后,用同样的方法描述和记忆测试图像,并记录描述和记忆结果,将训练图像和测试图像的描述和记忆结果进行比较,最终实现图像分类与识别。可以看出,从很大程度上说,图像特征的描述和记忆方法决定了图像分类与识别的效果。
传统的图像分类和识别算法是将图像分解为一系列局部区域,提取局部区域中的图像特征,用所有局部特征集合来描述和记忆图像。在上述方法中,特征的选择与提取较为繁琐,且计算复杂。后来,有研究者将卷积神经网络应用于图像描述和记忆,一定程度上改善了传统的图像描述和记忆方法中特征提取的复杂度。卷积神经网络借鉴了人类视觉***的层级结构和局部感受野特性,网络中每个神经元表示一种特征,上层特征由下层某一局部区域内的特征经线性组合及非线性变换后得到。通过反向传播算法训练该网络可自动提取对分类最有影响的特征,因而这类方法在很大程度上提高了图像分类准确率。
综上所述,现有技术存在的问题是:无论是采用集合方法还是线性组合方法来描述图像局部特征的组合,都会丢失特征之间的相对位置信息,导致无法根据记忆对图像进行较完整的恢复,即现有的这些方法对于图像的描述和记忆还不够完整。
发明内容
针对现有技术中的上述不足,本发明提供了一种特征选择与提取简便,计算方便,提取特征区分性强,提取效果好以及实用性高的基于脉冲神经网络的图像特征描述方法,保证了提取特征的不变性,解决了现有技术存在的特征选择与提取繁琐,计算复杂,提取的特征对物体的区分性弱,重要特征易丢失和改变以及无法根据记忆对图像进行较完整的恢复的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于脉冲神经网络的图像特征描述方法,包括如下步骤:
S1:对原始图像进行预处理,得到处理后图像;
S2:使用Sobel算子对脉冲神经网络的Gabor滤波器卷积层进行稀疏化处理,得到稀疏Gabor滤波器卷积层;
S3:将处理后图像输入稀疏Gabor滤波器卷积层进行特征提取,得到处理后图像中每个像素点处的梯度方向;
S4:根据每个像素点处的梯度方向,得到卷积特征图;
S5:根据卷积特征图,使用编码层进行Spiking编码与采样处理,得到编码层神经元输出的脉冲序列;
S6:根据脉冲序列,使用改进的Tempotron算法,学习编码层神经元到学习层神经元的连接权重;
S7:根据编码神经元和学习神经元的发放时刻,进行处理后图像的描述,根据连接权重,进行图像特征的描述。
进一步地,所述步骤S1中,进行预处理,即将原始图片转换为灰度图,并通过插值采样将灰度图都压缩至100*100像素。
进一步地,所述步骤S3中,梯度方向的计算公式为:
式中,Θ(x,y)为在图像(x,y)处的梯度方向,即Θ;Gx和Gy为在图像(x,y)处的偏导数。
进一步地,所述步骤S5中,Spiking编码与采样处理的方法,包括如下步骤:
S5-1:使用Spiking编码算法,将卷积特征图转换为Spiking初始时空信号;
S5-2:采用基于差异延迟的采样算法对Spiking初始时空信号进行采样,得到采样特征图;
S5-3:根据采样特征图输出采样时空信号,即脉冲序列。
进一步地,步骤S5-1中,将卷积特征图的每一个像素点模拟成神经元,Spiking编码算法即脉冲时间编码算法的计算公式为:
式中,Fij为脉冲编码函数;pij为在坐标(i,j)处的像素值;pmax为数字图像中最大的像素值;T为时间窗口。
进一步地,所述步骤S5-2中,脉冲传递的延迟时间的计算公式为:
式中,dij为在坐标位置(i,j)出神经元的脉冲传递的延迟时间;(xc,yc)为感受野的中心位置;k为超参数;d为基本延迟时间。
进一步地,步骤S6中,使用改进的Tempotron算法中,膜电压的计算公式为:
式中,V(t)为在时刻t的神经元的膜电压;ωi为各个前突触的影响权重;ti表示第i个输入神经元发射脉冲的时刻;K(t-ti)为第i个神经元的在ti时刻对突触后膜电位的影响;Vrest为重置膜电压;
影响函数的计算公式为:
K(t-ti)=V0(exp[-(t-ti)/τ]-exp[-(t-ti)/τs])
式中,K(t-ti)为第i个神经元的在ti时刻对突触后膜电位的影响;V0为原始膜电压;τ和τs均为时间常数。
进一步地,步骤S6中,使用改进的Tempotron算法中,误差函数的公式为:
式中,Vhigh为模式为正类时,神经元设定的点火阈值;Vlow为模式为负类时,神经元设定的点火阈值;tmax为最大膜电压的时间;Vtmax为最大膜电压。
进一步地,步骤S6中,使用改进的Tempotron算法中,权重更新的公式为:
式中,Δwi为权重更新函数;tmax为最大膜电压的时间;λ为学习率;K(tmax-ti)为第i个神经元的在ti时刻对突触后最大膜电压的影响。
本方案的有益效果为:
(1)本发明实现了对于图像的描述和记忆,提高了实用性;
(2)通过构造多尺度多方向的Gabor滤波器卷积核对原始图像进行卷积,这比传统的滤波器更具有生物解释性,并且由于特征从多角度多方向获得,因此提取的特征对物体的区分性很强;
(3)Gabor滤波器有不同的角度方向,在进行卷积时,图像的边缘切线和Gabor滤波器的角度越接近,则卷积的结果越大的特点;在遍历卷积之前,使用Sobel算子计算边缘的切线角度,根据切线角度和Gabor滤波器方向的差异决定是否进行卷积运算,提高了实用性;
(4)改进后的卷积方法,在加快了计算速度的同时,并不会对卷积层的结果产生太大的影响,重要的特征得以保留,改善了特征的提取效果;
(5)在对卷积层的采样中,通过模拟感受野的生物神经***,对输入的脉冲序列添加了不同的处理延时,相对于直接的采样,更符合生物视觉的神经特点,提高了采样的准确性;
(6)随后在多尺度上进行采样,保留了同方向的最重要特征,过滤了不必要的冗余信息,保证了特征的不变性。
附图说明
图1为基于脉冲神经网络的图像特征描述方法流程图;
图2为脉冲神经网络模型图;
图3为卷积特征图;
图4为进行Spiking编码与采样处理的方法流程图。
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。
本发明实施例中,一种基于脉冲神经网络的图像特征描述方法,如图1所示,包括如下步骤:
S1:对原始图像进行预处理,即将原始图片转换为灰度图,并通过插值采样将灰度图都压缩至100*100像素,得到处理后图像;
S2:使用Sobel算子对如图2所示的脉冲神经网络的Gabor滤波器卷积层进行稀疏化处理,得到稀疏Gabor滤波器卷积层;
S3:将处理后图像输入稀疏Gabor滤波器卷积层进行特征提取,得到处理后图像中每个像素点处的梯度方向;
梯度方向的计算公式为:
式中,Θ(x,y)为在图像(x,y)处的梯度方向,即Θ;Gx和Gy为在图像(x,y)处的偏导数;
S4:根据每个像素点处的梯度方向,得到如图3所示的卷积特征图;
S5:根据卷积特征图,使用编码层进行Spiking编码与采样处理,得到编码层神经元输出的脉冲序列,如图4所示包括如下步骤:
S5-1:将卷积特征图的每一个像素点模拟成神经元,使用Spiking编码算法即脉冲时间编码算法,将卷积特征图转换为Spiking初始时空信号,计算公式为:
式中,Fij为脉冲编码函数;pij为在坐标(i,j)处的像素值;pmax为数字图像中最大的像素值;T为时间窗口;
S5-2:采用基于差异延迟的采样算法对Spiking初始时空信号进行采样,得到采样特征图,脉冲传递的延迟时间的计算公式为:
式中,dij为在坐标位置(i,j)出神经元的脉冲传递的延迟时间;(xc,yc)为感受野的中心位置;k为超参数;d为基本延迟时间;
S5-3:根据采样特征图输出采样时空信号,即脉冲序列;
S6:根据脉冲序列,使用改进的Tempotron算法,学习编码层神经元到学习层神经元的连接权重;
使用改进的Tempotron算法,计算公式如下:
膜电压的计算公式为:
式中,V(t)为在时刻t的神经元的膜电压;ωi为各个前突触的影响权重;ti表示第i个输入神经元发射脉冲的时刻;K(t-ti)为第i个神经元的在ti时刻对突触后膜电位的影响;Vrest为重置膜电压;
影响函数的计算公式为:
K(t-ti)=V0(exp[-(t-ti)/τ]-exp[-(t-ti)/τs])
式中,K(t-ti)为第i个神经元的在ti时刻对突触后膜电位的影响;V0为原始膜电压;τ和τs均为时间常数;
误差函数的公式为:
式中,Vhigh为模式为正类时,神经元设定的点火阈值;Vlow为模式为负类时,神经元设定的点火阈值;tmax为最大膜电压的时间;Vtmax为最大膜电压;
权重更新的公式为:
式中,Δwi为权重更新函数;tmax为最大膜电压的时间;λ为学习率;K(tmax-ti)为第i个神经元的在ti时刻对突触后最大膜电压的影响;
S7:根据编码神经元和学习神经元的发放时刻,进行处理后图像的描述,根据连接权重,进行图像特征的描述。
本发明提供了一种特征选择与提取简便,计算方便,提取特征区分性强,提取效果好以及实用性高的基于脉冲神经网络的图像特征描述方法,保证了提取特征的不变性,解决了现有技术存在的特征选择与提取繁琐,计算复杂,提取的特征对物体的区分性弱,重要特征易丢失和改变以及无法根据记忆对图像进行较完整的恢复的问题。
Claims (9)
1.一种基于脉冲神经网络的图像特征描述方法,其特征在于,包括如下步骤:
S1:对原始图像进行预处理,得到处理后图像;
S2:使用Sobel算子对脉冲神经网络的Gabor滤波器卷积层进行稀疏化处理,得到稀疏Gabor滤波器卷积层;
S3:将处理后图像输入稀疏Gabor滤波器卷积层进行特征提取,得到处理后图像中每个像素点处的梯度方向;
S4:根据每个像素点处的梯度方向,得到卷积特征图;
S5:根据卷积特征图,使用编码层进行Spiking编码与采样处理,得到编码层神经元输出的脉冲序列;
S6:根据脉冲序列,使用改进的Tempotron算法,学习编码层神经元到学习层神经元的连接权重;
S7:根据编码神经元和学习神经元的发放时刻,进行处理后图像的描述,根据连接权重,进行图像特征的描述。
2.根据权利要求1所述的基于脉冲神经网络的图像特征描述方法,其特征在于,所述步骤S1中,进行预处理,即将原始图片转换为灰度图,并通过插值采样将灰度图都压缩至100*100像素。
3.根据权利要求1所述的基于脉冲神经网络的图像特征描述方法,其特征在于,所述步骤S3中,梯度方向的计算公式为:
式中,Θ(x,y)为在图像(x,y)处的梯度方向,即Θ;Gx和Gy为在图像(x,y)处的偏导数。
4.根据权利要求1所述的基于脉冲神经网络的图像特征描述方法,其特征在于,所述步骤S5中,Spiking编码与采样处理的方法,包括如下步骤:
S5-1:使用Spiking编码算法,将卷积特征图转换为Spiking初始时空信号;
S5-2:采用基于差异延迟的采样算法对Spiking初始时空信号进行采样,得到采样特征图;
S5-3:根据采样特征图输出采样时空信号,即脉冲序列。
5.根据权利要求4所述的基于脉冲神经网络的图像特征描述方法,其特征在于,所述步骤S5-1中,将卷积特征图的每一个像素点模拟成神经元,Spiking编码算法即脉冲时间编码算法的计算公式为:
式中,Fij为脉冲编码函数;pij为在坐标(i,j)处的像素值;pmax为数字图像中最大的像素值;T为时间窗口。
6.根据权利要求4所述的基于脉冲神经网络的图像特征描述方法,其特征在于,所述步骤S5-2中,脉冲传递的延迟时间的计算公式为:
式中,dij为在坐标位置(i,j)出神经元的脉冲传递的延迟时间;(xc,yc)为感受野的中心位置;k为超参数;d为基本延迟时间。
7.根据权利要求1所述的基于脉冲神经网络的图像特征描述方法,其特征在于,所述步骤S6中,使用改进的Tempotron算法中,膜电压的计算公式为:
式中,V(t)为在时刻t的神经元的膜电压;ωi为各个前突触的影响权重;ti表示第i个输入神经元发射脉冲的时刻;K(t-ti)为第i个神经元的在ti时刻对突触后膜电位的影响;Vrest为重置膜电压;
影响函数的计算公式为:
K(t-ti)=V0(exp[-(t-ti)/τ]-exp[-(t-ti)/τs])
式中,K(t-ti)为第i个神经元的在ti时刻对突触后膜电位的影响;V0为原始膜电压;τ和τs均为时间常数。
8.根据权利要求1所述的基于脉冲神经网络的图像特征描述方法,其特征在于,所述步骤S6中,使用改进的Tempotron算法中,误差函数的公式为:
式中,Vhigh为模式为正类时,神经元设定的点火阈值;Vlow为模式为负类时,神经元设定的点火阈值;tmax为最大膜电压的时间;Vtmax为最大膜电压。
9.根据权利要求1所述的基于脉冲神经网络的图像特征描述方法,其特征在于,所述步骤S6中,使用改进的Tempotron算法中,权重更新的公式为:
式中,Δwi为权重更新函数;tmax为最大膜电压的时间;λ为学习率;K(tmax-ti)为第i个神经元的在ti时刻对突触后最大膜电压的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810953429.0A CN109214395A (zh) | 2018-08-21 | 2018-08-21 | 一种基于脉冲神经网络的图像特征描述方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810953429.0A CN109214395A (zh) | 2018-08-21 | 2018-08-21 | 一种基于脉冲神经网络的图像特征描述方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214395A true CN109214395A (zh) | 2019-01-15 |
Family
ID=64988730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810953429.0A Pending CN109214395A (zh) | 2018-08-21 | 2018-08-21 | 一种基于脉冲神经网络的图像特征描述方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214395A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555523A (zh) * | 2019-07-23 | 2019-12-10 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及*** |
CN111046865A (zh) * | 2019-12-12 | 2020-04-21 | 电子科技大学 | 基于膜电压驱动的spiking神经元监督学习模型的光学字符识别方法 |
CN111275004A (zh) * | 2020-02-21 | 2020-06-12 | 电子科技大学 | 基于lmd和脉冲神经网络的轴承故障诊断方法 |
CN111860790A (zh) * | 2020-08-04 | 2020-10-30 | 南京大学 | 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其*** |
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 |
CN113095492A (zh) * | 2021-04-14 | 2021-07-09 | 北京大学 | 一种基于生物神经网络的拓扑特征检测方法及装置 |
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 |
CN114202068A (zh) * | 2022-02-17 | 2022-03-18 | 浙江大学 | 面向类脑计算芯片的自学习实现*** |
CN114819122A (zh) * | 2022-03-28 | 2022-07-29 | 中国科学院自动化研究所 | 基于脉冲神经网络的数据处理方法及装置 |
CN115429293A (zh) * | 2022-11-04 | 2022-12-06 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015210695A (ja) * | 2014-04-28 | 2015-11-24 | いすゞ自動車株式会社 | 画像の物体検出装置 |
CN105404902A (zh) * | 2015-10-27 | 2016-03-16 | 清华大学 | 基于脉冲神经网络的图像特征描述和记忆方法 |
-
2018
- 2018-08-21 CN CN201810953429.0A patent/CN109214395A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015210695A (ja) * | 2014-04-28 | 2015-11-24 | いすゞ自動車株式会社 | 画像の物体検出装置 |
CN105404902A (zh) * | 2015-10-27 | 2016-03-16 | 清华大学 | 基于脉冲神经网络的图像特征描述和记忆方法 |
Non-Patent Citations (1)
Title |
---|
赵高枫: "《基于Spiking神经网络的模式识别研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555523A (zh) * | 2019-07-23 | 2019-12-10 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及*** |
CN110555523B (zh) * | 2019-07-23 | 2022-03-29 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及*** |
CN111046865A (zh) * | 2019-12-12 | 2020-04-21 | 电子科技大学 | 基于膜电压驱动的spiking神经元监督学习模型的光学字符识别方法 |
CN111275004A (zh) * | 2020-02-21 | 2020-06-12 | 电子科技大学 | 基于lmd和脉冲神经网络的轴承故障诊断方法 |
CN111275004B (zh) * | 2020-02-21 | 2022-10-11 | 电子科技大学 | 基于lmd和脉冲神经网络的轴承故障诊断方法 |
CN111860790A (zh) * | 2020-08-04 | 2020-10-30 | 南京大学 | 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其*** |
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 |
CN113095492A (zh) * | 2021-04-14 | 2021-07-09 | 北京大学 | 一种基于生物神经网络的拓扑特征检测方法及装置 |
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 |
CN113408611B (zh) * | 2021-06-18 | 2022-05-10 | 电子科技大学 | 一种基于延迟机制的多层图像分类方法 |
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 |
CN114202068A (zh) * | 2022-02-17 | 2022-03-18 | 浙江大学 | 面向类脑计算芯片的自学习实现*** |
CN114202068B (zh) * | 2022-02-17 | 2022-06-28 | 浙江大学 | 面向类脑计算芯片的自学习实现*** |
CN114819122B (zh) * | 2022-03-28 | 2022-12-06 | 中国科学院自动化研究所 | 基于脉冲神经网络的数据处理方法及装置 |
CN114819122A (zh) * | 2022-03-28 | 2022-07-29 | 中国科学院自动化研究所 | 基于脉冲神经网络的数据处理方法及装置 |
CN115429293A (zh) * | 2022-11-04 | 2022-12-06 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214395A (zh) | 一种基于脉冲神经网络的图像特征描述方法 | |
CN105469041B (zh) | 基于多任务正则化与逐层监督神经网络的人脸点检测*** | |
CN106503687A (zh) | 融合人脸多角度特征的监控视频人物身份识别***及其方法 | |
Nuntalid et al. | EEG classification with BSA spike encoding algorithm and evolving probabilistic spiking neural network | |
CN109886241A (zh) | 基于长短期记忆网络的驾驶员疲劳检测 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
Nattkemper et al. | A neural network architecture for automatic segmentation of fluorescence micrographs | |
CN106909938B (zh) | 基于深度学习网络的视角无关性行为识别方法 | |
CN105426875A (zh) | 一种基于深度卷积神经网络的人脸识别方法和考勤*** | |
CN111814661A (zh) | 基于残差-循环神经网络的人体行为识别方法 | |
CN106156765A (zh) | 基于计算机视觉的安全检测方法 | |
CN110503613A (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
CN111714118A (zh) | 一种基于集成学习的脑认知模型融合方法 | |
CN104657717A (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
CN109241830A (zh) | 基于光照生成对抗网络的课堂听课异常检测方法 | |
CN114925734B (zh) | 一种基于神经拟态计算的在线神经元分类方法 | |
CN106980830A (zh) | 一种基于深度卷积网络自亲缘关系识别方法与装置 | |
CN111931656B (zh) | 基于迁移学习的用户独立型运动想象分类模型训练方法 | |
CN111772629B (zh) | 一种脑认知技能移植的方法 | |
Tang et al. | A hybrid SAE and CNN classifier for motor imagery EEG classification | |
CN114241458B (zh) | 一种基于姿态估计特征融合的驾驶员行为识别方法 | |
CN108009512A (zh) | 一种基于卷积神经网络特征学习的人物再识别方法 | |
Cai et al. | Detecting abnormal behavior in examination surveillance video with 3D convolutional neural networks | |
CN116524380A (zh) | 一种基于脑-机信号融合的目标检测方法 | |
Yun et al. | What can you see? Modeling the ability of V1 neurons to perform low-level image processing |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |