Open tkuri opened 3 years ago
時間的に疎な入力を扱うSpiking Neural Networkの実施は電力効率が並外れているが、現状画像分類等の単純なタスクに限定されている。そこで物体検出が可能になるSpiking-Yoloを提案。Tiny Yoloの約280倍のエネルギー効率かつ従来のDNN→SNN変換手法と比較し2.3~4倍で収束。
現状主に単純なタスクにしか用いられていない理由として複雑なダイナミクスを扱えるスケーラブルな学習アルゴリズムを欠いていることが挙げられる。その回帰問題におけるSNNの性能低下について分析し従来の正規化手法の非効率性およびSNN領域でのLeaky ReLUの効率的な実装方法の欠如という課題を抽出。
そこでSNNに適した、チャネル毎の正規化およびReaky Reluについて提案。複数のニューロンの発火率をより高くかつ適切にすることが可能になる。最小のオーバーヘッドでニューロモーフィックチップ上に実装可能。
https://ojs.aaai.org//index.php/AAAI/article/view/6787
未確認。
Do you have any code about this paper?
論文概要
時間的に疎な入力を扱うSpiking Neural Networkの実施は電力効率が並外れているが、現状画像分類等の単純なタスクに限定されている。そこで物体検出が可能になるSpiking-Yoloを提案。Tiny Yoloの約280倍のエネルギー効率かつ従来のDNN→SNN変換手法と比較し2.3~4倍で収束。
現状主に単純なタスクにしか用いられていない理由として複雑なダイナミクスを扱えるスケーラブルな学習アルゴリズムを欠いていることが挙げられる。その回帰問題におけるSNNの性能低下について分析し従来の正規化手法の非効率性およびSNN領域でのLeaky ReLUの効率的な実装方法の欠如という課題を抽出。
そこでSNNに適した、チャネル毎の正規化およびReaky Reluについて提案。複数のニューロンの発火率をより高くかつ適切にすることが可能になる。最小のオーバーヘッドでニューロモーフィックチップ上に実装可能。
https://ojs.aaai.org//index.php/AAAI/article/view/6787
Code
未確認。