CN112597980A - 一种面向动态视觉传感器的类脑手势序列识别方法 - Google Patents
一种面向动态视觉传感器的类脑手势序列识别方法 Download PDFInfo
- Publication number
- CN112597980A CN112597980A CN202110237539.9A CN202110237539A CN112597980A CN 112597980 A CN112597980 A CN 112597980A CN 202110237539 A CN202110237539 A CN 202110237539A CN 112597980 A CN112597980 A CN 112597980A
- Authority
- CN
- China
- Prior art keywords
- event
- time
- pulse
- space
- gesture
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/107—Static hand or arm
- G06V40/113—Recognition of static hand signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种面向动态视觉传感器的类脑手势序列识别方法,包括以下步骤:地址事件表达数据捕获、时空卷积、脉冲池化、学习时空特征、用经过学习的Double‑STS模型识别手势序列。本发明具有高噪音鲁棒性、高精度、高效性、快速收敛性、时间敏感性、仿脑性等特点,可成功识别到手势序列中的每一个手势。
Description
技术领域
本发明涉及类脑手势序列识别方法,具体涉及一种面向动态视觉传感器的类脑手势序列识别方法。
背景技术
近年来,类脑计算逐渐成为一大研究热点。在神经形态视觉领域,通过模拟生物视网膜,研究人员开发出一系列的神经形态视觉传感器,也称为硅眼、事件相机等。不同于输出帧图像的传统相机,神经形态视觉传感器只响应场景中的动态变化,将光强变化编码为异步时空事件流数据,具有低功耗、低时延、高动态范围等优点。因此大多数现有方法无法直接用于处理这类事件流数据。SNN有望实现低功耗的异步事件信息集成,这使其成为探索基于AER的视觉感知中的类脑计算的最佳选择。
目前,一些令人印象深刻的AER特征提取和学***面(Time Surface, TS)的方法。但是,由于原始的基于Gabor的方法是为静止图像设计的,因此这种基于Gabor的方法仍然无法捕获时间域的关键视觉信息。TS作为一种新颖的时空特征,代表了局部空间邻域内最近的时空活动,这种计算方法可能为嘈杂的事件分配较大的权重。
近年来,基于生物启发的SNN监督学习算法涌现,可以将其分类为基于阈值或基于膜电位可塑性规则,尽管基于膜电位的方法已显示出比基于阈值的方法更好的学习效果,但这种方法仍缺乏生物可解释性,并且该规则有时无法找到那样的极值点。因此,找到一种有效,高效和基于阈值的AER图像识别规则变得更加重要。
发明内容
本发明的目的在于针对现有技术的不足,提供一种面向动态视觉传感器的类脑手势序列识别方法,可成功识别到手势序列中的每一个手势。
本发明的目的通过如下的技术方案来实现:
一种面向动态视觉传感器的类脑手势序列识别方法,所述方法包括以下步骤:
步骤1 地址事件表达数据捕获:用动态视觉传感器实时读取场景中的动态信息并将其转化为事件流作为模型的输入;
步骤2 时空卷积:对得到的事件流进行时空特征提取,实现事件流的去噪、编码和切片,得到脉冲时空平面模板和有意义的时空特征脉冲流;
步骤3 脉冲池化:对步骤2得到的所述时空特征脉冲流做脉冲池化操作,得到关键、稀疏的时空特征脉冲流;
步骤4 学***面可塑性训练出一套具有鉴别手势类别能力的权重;
步骤5 用经过学习的Double-STS模型识别手势序列。
进一步地,所述步骤2的实现过程包括脉冲时空平面模板初始化和学习两个阶段,假设需要提取事件流中的K种时空特征,具体实现步骤如下:
其中,τ和σ分别是时空关联度的时间衰减常数和空间衰减常数;
u和v分别是时间关联度和空间关联度的权重系数;
H是该事件之前τ时间窗内发生的所有事件集合;
步骤2.2 去噪:得到该事件的脉冲时空平面之后,则判断该事件是否为噪音或无意义事件,若该时空平面上的绝大部分值满足公式(3),则该事件处于静默状态,将该事件视为无用事件,并抛弃该事件,继续执行步骤2.1,否则该事件进入下一处理步骤;
步骤2.3 时空特征编码:令C为脉冲时空平面模板,n为一个向量,每个分量为被每种模板编码的事件个数,此步骤有两种情况:
进一步地,所述时空关联度的时间衰减常数τ=100ms,所述时空关联度的空间衰减常数σ=8;所述时间关联度的权重系数u=0.5,所述空间关联度的权重系数v=0.5,所述空间邻域半径R=4。
进一步地,所述步骤3中,对步骤2得到的所述时空特征脉冲流做脉冲池化操作包括局部位置共享和不应期两个步骤,具体步骤如下:
其中r为池化半径,r=4;
步骤3.2获得所述关键、稀疏的时间特征脉冲流:在经过局部位置共享后,每个位置拥有很多冗余事件,为了获得每个位置关键特征的稀疏表达,给每个位置添加不应期,提取出每个位置在时间尺度上的关键信息,保留时间窗内早期发生的事件,过滤掉冗余的时间信息。
步骤4.1 建立事件驱动的泄漏集成点火神经元模型:此步骤输入为某个切片,输出为实际发放脉冲个数n o 和发放脉冲的时间t f ;网络采用泄漏集成点火神经元模型,其膜电压是来自所有输入脉冲的突触后电位的加权和,事件驱动计算方式下的泄漏集成点火神经元膜电压计算公式为:
其中,V(t)是当前输入神经元的膜电压,w i 是当前输入神经元对应的突触权重,t i 是第i个输入脉冲到达时间,和分别是膜电压衰减时间常数和突触电流衰减时间常数,V 0 是归一化系数,g接受上一个输入脉冲之后输出神经元的状态,若点火则g=1,否则g=0;
步骤4.2 训练出一套具有鉴别手势类别能力的权重:
若n o =n d ,执行步骤4.1,继续计算模型在面对下一个切片的n o ;
若 n o ≠n d ,则计算脉冲阈值平面,得到关键点时的脉冲发放时间表,更新权重。
进一步地,所述步骤4.2训练具有鉴别手势类别能力的权重的具体步骤如下:
步骤4.2.1判断学习方式:假设n o =6,若n o ≠n d ,则学习方式为LTP或LTD;
步骤4.2.3 得到关键点时的脉冲发放时间表:当脉冲个数刚好位于关键点B= n o +1或A= n o ,记录此时输出神经元发放脉冲的时刻t x ,即为关键点时的脉冲发放时间表;
步骤4.2.4 训练出具有鉴别手势类别能力的权重:训练时的目标脉冲个数满足如下公式:
权重更新规则为
其中
进一步地,所述学习率η=0.01,所述训练参数a=1,b=5。
进一步地,所述用经过学习的Double-STS模型识别手势序列的具体过程如下:在输出层采用群组决策方式,即每个类别设置10个输出神经元,对于一个输入切片,响应最多的那类群组将作为模型最终输出类别。
本发明的有益效果有:
(1)噪音鲁棒性:本发明所提特征提取方法不仅可以有效过滤事件流中的噪音事件,而且因为空间关联度的引入,所提特征提取方法还可以过滤掉事件流中的大部分无意义事件,最后输入学习网络中的关键、稀疏的特征脉冲个数仅有原有事件流的5%,从而极大减轻了网络的学习负担,能够进行高效学习。
(2)高精度、高效性、快速收敛性:本发明所提出的基于SNN的脉冲阈值平面可塑性监督学***面,所以省去了大量不必要的计算步骤。算法在保证识别精度的同时,大大提高了模型的计算效率。脉冲池化过程提取了关键且稀疏的特征脉冲,使得学***面计算方式,更精确的逐步调整权重的方式使得模型可以快速收敛。
(3)时间敏感性:区别于传统基于帧图像的手势识别技术,本发明利用脉冲时空平面对高时间分辨率的事件流信息进行高效脉冲编码,可以保留动态视觉传感器捕捉到的精确时间信息特征,脉冲神经网络可以充分利用该特征进行学习与判别。
(4)仿脑性:本发明借鉴大脑中信息表达与处理机制,从特征提取到学习均采用事件驱动计算方式,极大提高模型计算效率,且借鉴大脑中的群组决策机制,每个输出神经元的发放由多个神经元组成的群组进行投票决定,避免单个神经元受噪音的影响,极大增强***的鲁棒性。
附图说明
下面结合附图和实施方式对本发明作进一步详细的说明。
图1为本发明的面向动态视觉传感器的类脑手势序列识别方法的流程图。
图2为本发明的脉冲阈值平面示意图。
图3为本发明实施例1的识别结果图。
图4为本发明方法和现有的去噪效果对比图。
图5为本发明和现有算法的效率及精度比较图。
图6为本发明数据集上的学习过程图。
具体实施方式
一种面向动态视觉传感器的类脑手势序列识别方法,如图1所示,所述方法包括以下步骤:
步骤1 地址事件表达(Address Event Representation, AER)数据捕获:用动态视觉传感器实时读取场景中的动态信息并将其转化为事件流作为模型的输入;
步骤2 S层:时空卷积:对步骤2得到的所述得到的事件流进行时空特征提取,实现事件流的去噪、编码和切片,得到脉冲时空平面模板和有意义的时空特征脉冲流;
上述实现过程包括脉冲时空平面模板初始化和学习两个阶段,假设需要提取事件流中的K种时空特征,具体实现步骤如下:
其中,τ和σ分别是时空关联度的时间衰减常数和空间衰减常数,τ=100ms,σ=8;
u和v分别是时间关联度和空间关联度的权重系数,u=0.5,v=0.5;
H是该事件之前τ时间窗内发生的所有事件集合;
,其中R是空间邻域半径,R=4;是时空邻域内的事件集合,根据公式可知属于该集合内的事件满足以下三个条件:属于H内,即发生在事件之前的τ时间窗内;属于事件的以R为半径的空间邻域内;与事件具有相同的极性p值;
步骤2.2 去噪:得到该事件的脉冲时空平面之后,则判断该事件是否为噪音或无意义事件,若该时空平面上的绝大部分值满足公式(3),则该事件处于静默状态,将该事件视为无用事件,并抛弃该事件,继续执行步骤2.1,否则该事件进入下一处理步骤即特征编码阶段,该步骤会过滤掉事件流中大约60%的无用事件。
步骤2.3 时空特征编码:令C为脉冲时空平面模板,n为一个向量,每个分量为被每种模板编码的事件个数,此步骤有两种情况:
步骤2.***流转化成切片:传统的手势序列识别有一个最大的挑战是找到手势开始和结束的位置,本发明忽略这个问题,直接将事件流做切片,然后将切片输入模型,进行识别,从而识别整个手势序列,令为事件流的时空信息累积量,为经验阈值,对于每个事件有:
步骤3 C层:脉冲池化:对步骤2得到的所述时空特征脉冲流做脉冲池化操作(S-Pooling),得到关键、稀疏的时空特征脉冲流;该过程包括局部位置共享和不应期两个步骤,具体步骤如下:
其中r为池化半径,r=4;
步骤3.2获得所述关键、稀疏的时空特征脉冲流:在经过局部位置共享后,每个位置拥有很多冗余事件,为了获得每个位置关键特征的稀疏表达,给每个位置添加不应期,提取出每个位置在时间尺度上的关键信息,保留时间窗内早期发生的事件,过滤掉冗余的时间信息。该步骤之后剩余的关键稀疏事件仅有原事件流的5%,大大节约了后续网络计算时间。
步骤4 学***面可塑性(STSP,spike threshold surfaceplasticity)监督学习规则训练出一套具有鉴别手势类别能力的权重;
假设阈值是,目标脉冲个数是n d ,初始化权重之后,对于每一个输入切片执行以下时空特征的学习步骤:
步骤4.1 建立事件驱动的泄漏集成点火(Leaky Integrate-and-Fire,LIF)神经元模型:此步骤输入为某个切片,输出为实际发放脉冲个数n o 和发放脉冲的时间t f ;网络采用泄漏集成点火神经元模型,其膜电压是来自所有输入脉冲的突触后电位的加权和,事件驱动计算方式下的泄漏集成点火神经元膜电压计算公式为:
其中,V(t)是当前输入神经元的膜电压,w i 是当前输入神经元对应的突触权重,t i 是第i个输入脉冲到达时间,和分别是膜电压衰减时间常数和突触电流衰减时间常数,满足,=20ms;V 0 是归一化系数,g接受上一个输入脉冲之后输出神经元的状态,若点火则g=1,否则g=0;
步骤4.2 训练出一套具有鉴别手势类别能力的权重:
若n o =n d ,执行步骤4.1,继续计算模型在面对下一个切片的n o ;
若 n o ≠n d ,则计算简化版的脉冲阈值平面 ,如图2的阴影部分,得到关键点时的脉冲发放时间表,更新权重。具体步骤如下:
步骤4.2.1判断学习方式:假设n o =6,若n o ≠n d ,则学习方式为LTP或LTD;
步骤4.2.2动态计算脉冲阈值平面:LTP或LTD逐步减小或增加,并计算每个假设阈值下的脉冲个数;
步骤4.2.3 得到关键点时的脉冲发放时间表:当脉冲个数刚好位于关键点B= n o +1或A= n o ,即若阈值再增加一点,则脉冲个数为n o -1,如图2,记录此时输出神经元发放脉冲的时刻t x ,即为关键点时的脉冲发放时间表;
步骤4.2.4 用脉冲阈值平面可塑性(STSP,spike threshold surfaceplasticity)监督学习规则训练出一套具有鉴别手势类别能力的权重:在训练时,训练输出神经元在面对目标类别的输入模式时发放得更多,在面对非目标类别的时候发放得更少。训练时的目标脉冲个数满足如下公式:
权重更新规则为
其中
步骤5 用经过学习的Double-STS模型识别手势序列。
在输出层采用群组决策方式,即每个类别设置10个输出神经元,对于一个输入切片,响应最多的那类群组将作为模型最终输出类别,这种群组决策的方式避免了单个输出神经元不稳定的风险。
实施例1
选取GESTURE-DVS数据集中最相似的三个手势,随机组成手势序列,按照上述识别方法进行识别,识别结果如图3所示,从图中可看出,本发明可成功识别到手势序列中的每一个手势。
进一步分析模型性能,可以看出本发明具有以下优点:
(1)噪音鲁棒性:图4中,第一排是原始事件流的重构帧图,第二排是基于时间平面的方法,第三排是基于去噪的时间平面的方法,第四排是本发明所提的基于脉冲时空平面的方法。如图4第四排图所示,本发明所提特征提取方法不仅可以有效过滤事件流中的噪音事件,而且因为空间关联度的引入,本发明所提特征提取方法还可以过滤掉事件流中的大部分无意义事件(即与目标动作无直接关系的事件点),最后输入学习网络中的关键、稀疏的特征脉冲个数仅有原有事件流的5%,从而极大减轻了网络的学习负担,能够进行高效学习。
(2)高精度、高效性、快速收敛性:
高精度:本发明所提出的基于SNN的脉冲阈值平面可塑性(STSP)监督学习规则充分利用了特征事件流精确的时空信息,使得模型可以更精确地学习输入的时空特征,从而具有较高的识别效果。本发明与现有的几种优秀的动态视觉信息识别方法在几种公开的DVS数据集上性能比较结果如表1所示:
表1 本发明与现有的几种优秀的动态视觉信息识别方法在公开的DVS数据集上性能比较
方法 | N-MNIST | MNIST-DVS | CIFAR10-DVS | POKER-DVS | GESTURE-DVS | AER Posture |
对比例1 | 85.84% | 88.14% | 21.90% | 93.46% | 90.50% | 99.48% |
对比例2 | 71.15% | 78.13% | 7.70% | 94.02% | 84.75% | 94.48% |
对比例3 | 93.26% | 91.51% | 28.67% | 96.17% | 67.65% | 99.95% |
对比例4 | 80.84% | 80.32% | 27.10% | 93.58% | - | 95.72% |
对比例5 | 99.10% | 98.40% | 52.40% | - | - | - |
实施例1 | 98.66% | 98.32% | 60.73% | 99.50% | 95.88% | 99.99% |
其中,对比例1来源于:B. Zhao, R. Ding, S. Chen, B. Linares-Barranco,and H. Tang. Feedforward categorization on aer motion events using cortex-like features in a spiking neural network. IEEE transactions on neuralnetworks and learning systems[J]. 2014, 26,(9):1963-1978。
对比例2来源于:G. Orchard, C. Meyer, R. Etienne-Cummings, C. Posch, N.Thakor, and R. Benosman. Hfifirst: a temporal approach to object recognition.IEEE transactions on pattern analysis and machine intelligence[J]. 2015,37(10):2028-2040。
对比例3来源于:R. Xiao, H. Tang, Y. Ma, R. Yan, and G. Orchard. Anevent-driven categorization model for aer image sensors using multispikeencoding and learning. IEEE transactions on neural networks and learningsystems[J], 2019,31(9): 3649 - 3657。
对比例4来源于:D. Ballard et al. Dynamic coding of signed quantitiesin cortical feedback circuits. Frontiers in psychology[J], 2012,(3):254。
对比例5来源于:A. Sironi, M. Brambilla, N. Bourdis, X. Lagorce, and R.Benosman. Hats: Histograms of averaged time surfaces for robust event-basedobject classification. in Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition[J]. 2018:1731-1740。
高效性:由于本发明所提出的算法简化了传统的脉冲阈值平面,所以省去了大量不必要的计算步骤。图5为本发明和现有算法的效率及精度比较图。从图中可看出,本发明的算法在保证识别精度的同时,大大提高了模型的计算效率。
其中,MST算法来源于:R. Gutig. Spiking neurons can discover predictivefeatures by aggregate-label learning. Science[J]. 2016,351(6277):aab4113。
TPD算法来源于:Q. Yu, H. Li, and K. C. Tan. Spike timing or rate,neurons learn to make decisions for both through thresholddriven plasticity.IEEE transactions on cybernetics[J], 2018,49(6):2178-2189。
XIAO算法来源于:R. Xiao, H. Tang, Y. Ma, R. Yan, and G. Orchard. Anevent-driven categorization model for aer image sensors using multispikeencoding and learning. IEEE transactions on neural networks and learningsystems[J], 2019,31(9): 3649 - 3657。
快速收敛性:如图6所示,本发明在第二个Epoch之后就开始收敛,识别精度接近1。这是因为本发明在特征提取部分提取了关键且稀疏的特征脉冲,得学***面计算方式,这种更精确的逐步调整权重的方式也使得本发明模型可以快速收敛。
(3)时间敏感性:DVS可以在空间域和时间域高速且连续的跟踪并采集手势数据,时间分辨率在纳秒级,远超传统摄像头的帧图像取样。区别于传统基于帧图像的手势识别技术,本发明利用脉冲时空平面对高时间分辨率的事件流信息进行高效脉冲编码,可以保留DVS捕捉到的精确时间信息特征,脉冲神经网络可以充分利用该特征进行学习与判别。
(4)仿脑性:本发明借鉴大脑中信息表达与处理机制,从特征提取到学习均采用事件驱动计算范式,极大提高了模型的计算效率,且借鉴了大脑中的群组决策机制,每个输出神经元的发放由多个神经元组成的群组进行投票决定,避免了单个神经元受噪音的影响,极大增强了***的鲁棒性。
上述说明是示例性的而非限制性的。通过上述说明本领域技术人员可以意识到本发明的许多种改变和变形,其也将落在本发明的实质和范围之内。
Claims (10)
1.一种面向动态视觉传感器的类脑手势序列识别方法,其特征在于,所述方法包括以下步骤:
步骤1 地址事件表达数据捕获:用动态视觉传感器实时读取场景中的动态信息并将其转化为事件流作为模型的输入;
步骤2 时空卷积:对得到的事件流进行时空特征提取,实现事件流的去噪、编码和切片,得到脉冲时空平面模板和有意义的时空特征脉冲流;
步骤3 脉冲池化:对步骤2得到的所述时空特征脉冲流做脉冲池化操作,得到关键、稀疏的时空特征脉冲流;
步骤4 学***面可塑性监督学习规则训练出一套具有鉴别手势类别能力的权重;
步骤5 用经过学习的Double-STS模型识别手势序列。
3.根据权利要求1所述的一种面向动态视觉传感器的类脑手势序列识别方法,其特征在于,所述步骤2的实现过程包括脉冲时空平面模板初始化和学习两个阶段,假设需要提取事件流中的K种时空特征,具体实现步骤如下:
其中,τ和σ分别是时空关联度的时间衰减常数和空间衰减常数;
u和v分别是时间关联度和空间关联度的权重系数;
H是该事件之前τ时间窗内发生的所有事件集合;
步骤2.2 去噪:得到该事件的脉冲时空平面之后,则判断该事件是否为噪音或无意义事件,若该时空平面上的绝大部分值满足公式(3),则该事件处于静默状态,将该事件视为无用事件,并抛弃该事件,继续执行步骤2.1,否则该事件进入下一处理步骤;
步骤2.3 时空特征编码:令C为脉冲时空平面模板,n为一个向量,每个分量为被每种模板编码的事件个数,此步骤有两种情况:
4.根据权利要求3所述的一种面向动态视觉传感器的类脑手势序列识别方法,其特征在于,所述时空关联度的时间衰减常数τ=100ms,所述时空关联度的空间衰减常数σ=8;所述时间关联度的权重系数u=0.5,所述空间关联度的权重系数v=0.5,所述空间邻域半径R=4。
步骤4.1 建立事件驱动的泄漏集成点火神经元模型:此步骤输入为某个切片,输出为实际发放脉冲个数n o 和发放脉冲的时间t f ;网络采用泄漏集成点火神经元模型,其膜电压是来自所有输入脉冲的突触后电位的加权和,事件驱动计算方式下的泄漏集成点火神经元膜电压计算公式为:
其中,V(t)是当前输入神经元的膜电压,w i 是当前输入神经元对应的突触权重,t i 是第i个输入脉冲到达时间,和分别是膜电压衰减时间常数和突触电流衰减时间常数,V 0 是归一化系数,g接受上一个输入脉冲之后输出神经元的状态,若点火则g=1,否则g=0;
步骤4.2 训练出一套具有鉴别手势类别能力的权重:
若n o =n d ,执行步骤4.1,继续计算模型在面对下一个切片的n o ;
若 n o ≠n d ,则计算脉冲阈值平面,得到关键点时的脉冲发放时间表,更新权重。
8.根据权利要求6所述的一种面向动态视觉传感器的类脑手势序列识别方法,其特征在于,所述步骤4.2训练具有鉴别手势类别能力的权重的具体步骤如下:
步骤4.2.1判断学习方式:假设n o =6,若n o ≠n d ,则学习方式为LTP或LTD;
步骤4.2.3 得到关键点时的脉冲发放时间表:当脉冲个数刚好位于关键点B= n o +1或A= n o ,记录此时输出神经元发放脉冲的时刻t x ,即为关键点时的脉冲发放时间表;
步骤4.2.4 训练出具有鉴别手势类别能力的权重:训练时的目标脉冲个数满足如下公式:
权重更新规则为
其中
9.根据权利要求8所述的一种面向动态视觉传感器的类脑手势序列识别方法,其特征在于,所述学习率η=0.01,所述训练参数a=1,b=5。
10.根据权利要求1所述的一种面向动态视觉传感器的类脑手势序列识别方法,其特征在于,所述用经过学习的Double-STS模型识别手势序列的具体过程如下:在输出层采用群组决策方式,即每个类别设置10个输出神经元,对于一个输入切片,响应最多的那类群组将作为模型最终输出类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237539.9A CN112597980B (zh) | 2021-03-04 | 2021-03-04 | 一种面向动态视觉传感器的类脑手势序列识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237539.9A CN112597980B (zh) | 2021-03-04 | 2021-03-04 | 一种面向动态视觉传感器的类脑手势序列识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597980A true CN112597980A (zh) | 2021-04-02 |
CN112597980B CN112597980B (zh) | 2021-06-04 |
Family
ID=75210344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110237539.9A Active CN112597980B (zh) | 2021-03-04 | 2021-03-04 | 一种面向动态视觉传感器的类脑手势序列识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597980B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205048A (zh) * | 2021-05-06 | 2021-08-03 | 浙江大学 | 一种手势识别方法及识别*** |
CN113313919A (zh) * | 2021-05-26 | 2021-08-27 | 中国工商银行股份有限公司 | 使用多层前馈网络模型的报警方法、装置及电子设备 |
WO2022221994A1 (zh) * | 2021-04-19 | 2022-10-27 | 成都时识科技有限公司 | 具有接口***的事件驱动集成电路 |
CN114723009B (zh) * | 2022-04-12 | 2023-04-25 | 重庆大学 | 一种基于异步事件流的数据表示方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845541A (zh) * | 2017-01-17 | 2017-06-13 | 杭州电子科技大学 | 一种基于生物视觉与精确脉冲驱动神经网络的图像识别方法 |
CN107066935A (zh) * | 2017-01-25 | 2017-08-18 | 网易(杭州)网络有限公司 | 基于深度学习的手部姿态估计方法及装置 |
CN107403154A (zh) * | 2017-07-20 | 2017-11-28 | 四川大学 | 一种基于动态视觉传感器的步态识别方法 |
CN110427823A (zh) * | 2019-06-28 | 2019-11-08 | 北京大学 | 基于视频帧与脉冲阵列信号的联合目标检测方法与装置 |
CN111310816A (zh) * | 2020-02-07 | 2020-06-19 | 天津大学 | 基于无监督匹配追踪编码的仿脑架构图像识别方法 |
CN112101535A (zh) * | 2020-08-21 | 2020-12-18 | 中国科学院深圳先进技术研究院 | 脉冲神经元的信号处理方法及相关装置 |
-
2021
- 2021-03-04 CN CN202110237539.9A patent/CN112597980B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845541A (zh) * | 2017-01-17 | 2017-06-13 | 杭州电子科技大学 | 一种基于生物视觉与精确脉冲驱动神经网络的图像识别方法 |
CN107066935A (zh) * | 2017-01-25 | 2017-08-18 | 网易(杭州)网络有限公司 | 基于深度学习的手部姿态估计方法及装置 |
CN107403154A (zh) * | 2017-07-20 | 2017-11-28 | 四川大学 | 一种基于动态视觉传感器的步态识别方法 |
CN110427823A (zh) * | 2019-06-28 | 2019-11-08 | 北京大学 | 基于视频帧与脉冲阵列信号的联合目标检测方法与装置 |
CN111310816A (zh) * | 2020-02-07 | 2020-06-19 | 天津大学 | 基于无监督匹配追踪编码的仿脑架构图像识别方法 |
CN112101535A (zh) * | 2020-08-21 | 2020-12-18 | 中国科学院深圳先进技术研究院 | 脉冲神经元的信号处理方法及相关装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022221994A1 (zh) * | 2021-04-19 | 2022-10-27 | 成都时识科技有限公司 | 具有接口***的事件驱动集成电路 |
CN113205048A (zh) * | 2021-05-06 | 2021-08-03 | 浙江大学 | 一种手势识别方法及识别*** |
CN113313919A (zh) * | 2021-05-26 | 2021-08-27 | 中国工商银行股份有限公司 | 使用多层前馈网络模型的报警方法、装置及电子设备 |
CN113313919B (zh) * | 2021-05-26 | 2022-12-06 | 中国工商银行股份有限公司 | 使用多层前馈网络模型的报警方法、装置及电子设备 |
CN114723009B (zh) * | 2022-04-12 | 2023-04-25 | 重庆大学 | 一种基于异步事件流的数据表示方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112597980B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597980B (zh) | 一种面向动态视觉传感器的类脑手势序列识别方法 | |
Zulfiqar et al. | Deep face recognition for biometric authentication | |
CN108830252B (zh) | 一种融合全局时空特征的卷积神经网络人体动作识别方法 | |
CN106599797B (zh) | 一种基于局部并行神经网络的红外人脸识别方法 | |
CN111814661B (zh) | 基于残差-循环神经网络的人体行为识别方法 | |
CN110503053B (zh) | 基于循环卷积神经网络的人体动作识别方法 | |
CN112308158A (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN111612136B (zh) | 一种神经形态视觉目标分类方法及*** | |
CN105069434B (zh) | 一种视频中人体动作行为识别方法 | |
CN109902615B (zh) | 一种基于对抗网络的多个年龄段图像生成方法 | |
Sincan et al. | Using motion history images with 3d convolutional networks in isolated sign language recognition | |
CN106778501A (zh) | 基于压缩跟踪与ihdr增量学习的视频人脸在线识别方法 | |
CN116343330A (zh) | 一种红外-可见光图像融合的异常行为识别方法 | |
CN110956082A (zh) | 基于深度学习的人脸关键点检测方法和检测*** | |
CN112308087B (zh) | 基于动态视觉传感器的一体化成像识别方法 | |
CN113221655A (zh) | 基于特征空间约束的人脸欺骗检测方法 | |
CN112633377A (zh) | 一种基于生成对抗网络的人体行为预测方法及*** | |
CN112926522A (zh) | 一种基于骨骼姿态与时空图卷积网络的行为识别方法 | |
Zhou et al. | A bio-inspired hierarchical spiking neural network with reward-modulated stdp learning rule for aer object recognition | |
CN110796081B (zh) | 一种基于关系图分析的群体行为识别方法 | |
CN109815887B (zh) | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 | |
Littlewort et al. | Analysis of machine learning methods for real-time recognition of facial expressions from video | |
CN115862097A (zh) | 基于多注意力多尺度特征学习的遮挡人脸识别方法和装置 | |
Chen et al. | Efficient Motion Symbol Detection and Multikernel Learning for AER Object Recognition | |
CN110348323B (zh) | 一种基于神经网络优化的穿戴式设备手势识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |