一个人工视觉神经元,具有多重速率和时间到第一个尖峰编码.
Fanfan Li1,2, Dingwei Li2, Chuanqing Wang3
1School of Materials Science and Engineering, Zhejiang University, Hangzhou, China.
Nature communications
|May 1, 2024
概括
研究人员使用速率和时间融合 (RTF) 编码开发了一种新型的人工视觉神经元. 这种节能尖神经网络 (SNN) 技术增强了机器视觉能力,特别是在自动驾驶汽车方面.
科学领域:
- 神经形态工程的神经形态工程
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 生物视觉神经元使用节能尖峰,与当前的图像传感器不同.
- 尖端神经网络 (SNN) 中现有的人工神经元缺乏多重编码,限制了生物视觉感知的仿真.
- 在生物系统和机器视觉技术之间存在能源预算不匹配.
研究的目的:
- 引入一种具有新型速率和时间融合 (RTF) 编码方案的人工视觉尖端神经元.
- 提高SNN中人工视觉神经元的计算能力和有效性.
- 为了证明开发高效的基于尖的神经形态硬件的可行性.
主要方法:
- 开发了一种人工视觉尖端神经元,能够进行速率编码 (尖端频率) 和时间到第一个尖端 (TTFS) 编码.
- 实施了多重感应编码方案,使RTF.
- 利用基于硬件的SNN结合RTF编码方案进行现实数据测试.
主要成果:
- 人工神经元成功地使用速率和TTFS方法编码视觉信息,实现精确和节能的时间编码.
- 带有 RTF 编码的硬件 SNN 显示出与地面真实数据的高度一致性.
- 该系统在复杂的场景中为自动驾驶汽车实现了准确的方向盘和速度预测.
结论:
- 开发的RTF编码方案显著提高了人工视觉神经元的性能.
- 这种多重编码方法提高了SNN的计算能力和能源效率.
- 这项研究验证了RTF编码在创建高效,基于尖端的神经形态硬件方面的潜力.
更多相关视频
10:18Photodiode-Based Optical Imaging for Recording Network Dynamics with Single-Neuron Resolution in Non-Transgenic Invertebrates
Published on: July 9, 2020
2.9K
09:36Combined In Vivo Anatomical and Functional Tracing of Ventral Tegmental Area Glutamate Terminals in the Hippocampus
Published on: September 9, 2020
3.8K
