尖端神经网络用于超低延迟和高精度物体检测

科学领域:

• 人工智能的人工智能
• 计算机视觉 计算机视觉
• 神经形态工程的神经形态工程

背景情况:

• 尖端神经网络 (SNN) 提供能源效率和由大脑启发的事件驱动处理.
• 现有的SNN物体检测模型,如Spiking-YOLO,面临着高延迟和精度降低的挑战,限制了移动应用程序.
• 人工神经网络 (ANN) 转换为SNN往往会降低网络结构,导致功能表达不佳和转换错误.

研究的目的:

• 开发基于SNN的超低延迟和高度准确的物体检测模型.
• 为了解决当前SNN对象检测方法中高延迟和低检测精度的局限性.
• 在将ANN转换为SNN期间改善完整性和特征表示.

主要方法:

• 引入时间步骤压缩,以减少ANN到SNN转换中的时间步骤数量.
• 开发了依赖峰值时间的集成 (STDI) 编码,具有可变时间值,以增强信息能力.
• 设计了一个基于SNN的空间金字塔聚合 (SPP) 结构,优化了在转换期间保持网络效率.

主要成果:

• 拟议的模型,SUHD,在物体检测中实现了超低延迟和高精度.
• 与Spiking-YOLO相比,SUHD的时间步骤显著减少了大约750倍.
• 与Spiking-YOLO相比,MS COCO数据集的平均平均精度 (mAP) 提高了30%.
• SUHD是最深的基于尖峰的物体检测模型,可实现超低时间步骤的无损转换.

结论:

• SUHD有效地克服了以前的SNN对象检测模型的延迟和准确性限制.
• 开发的时间步骤压缩和STDI编码,以及优化的SPP结构,使得ANN到SNN的转换效率高,准确.
• SUHD代表了基于尖峰的对象检测的重大进步,适用于延迟敏感平台.