基于ECS-spiking神经网络的自动驾驶目标检测研究

科学领域:

• 计算机视觉和机器学习
• 自主系统的人工智能
• 神经形态计算是一种神经形态计算.

背景情况:

• 传统的人工神经网络 (ANN) 用于自动驾驶中的物体检测,面临着高能耗的挑战.
• 现有的尖端神经网络 (SNN) 显示出能效的潜力,但在复杂的任务中往往表现不佳.
• 在现实世界自动驾驶应用中,对于能够平衡高精度与低功耗要求的模型有着至关重要的需求.

研究的目的:

• 开发一个先进的YOLO模型,命名为ECSLIF-YOLO,利用漏洞集成与火与细胞外空间 (ECS-LIF) 框架.
• 解决ANN中高能耗和现有SNN对物体检测的性能限制的双重挑战.
• 通过优化模型设计,提高自动驾驶系统的效率和可靠性.

主要方法:

• 实施ECSLIF-YOLO模型,将ECS-LIF框架集成到先进的YOLO架构中.
• 使用已建立的对象检测数据集,特别是BDD100K和KITTI,进行全面的模型评估.
• 对尖端神经网络的直接训练方法来评估与传统方法相比的性能.

主要成果:

• 在BDD100K和KITTI数据集上,ECSLIF-YOLO实现了0.917的峰值平均精度 (mAP).
• 该模型显示了与传统ANN可比的准确度水平.
• 在没有增加能源支出的情况下,ECSLIF-YOLO超越了当前直接培训SNN方法的性能.

结论:

• ECSLIF-YOLO为自动驾驶提供了节能对象检测的重大进步.
• 该模型成功地弥合了ANN和SNN之间的性能差距,在降低功耗的情况下提供高精度.
• ECSLIF-YOLO是开发更可持续,更有效的自动驾驶技术的有希望的解决方案.