BN-SNN:尖端神经网络带有可二元化神经元用于对象检测
Siddiqui Muhammad Yasir1, Hyun Kim1
1Department of Electrical and Information Engineering, Research Center for Electrical and Information Technology, Seoul National University of Science and Technology, Seoul, South Korea.
PloS one
|July 10, 2025
概括
这项研究引入了一种用于将卷积神经网络 (CNN) 转换为尖端神经网络 (SNN) 的新方法,用于对象检测使用可二元集成和发射 (BIF) 神经元. 这种方法减少了时间步骤,提高了准确性,标志着SNN应用的重大进步.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 计算神经科学是一种神经科学.
背景情况:
- 尖端神经网络 (SNN) 为传统神经网络提供了一种节能替代方案.
- 目前的CNN到SNN转换方法面临着长时间持续时间和推断延迟的挑战,影响准确性.
- 在对象检测任务中使用SNNs是一个新兴的,尚未探索的研究领域.
研究的目的:
- 开发一种新的CNN到SNN转换技术,用于对象检测.
- 解决现有的转换方法的局限性,特别是时间持续时间和推理延迟.
- 探索SNN在物体检测中的应用,使用一种新的神经元模型.
主要方法:
- 提出了一种新的方法,集成一个可双相集成和发射 (BIF) 神经元模型,并使用单射式多盒探测器 (SSD) 作为检测头.
- 使用拟议的BIF神经元框架将ResNet架构转换为SNN.
- 使用MS-COCO和汽车GEN1数据集验证了对象检测任务的方法.
主要成果:
- 拟议的转换技术实现了基于SNN的对象检测的缩短时间步骤.
- 观察到平均平均精度 (mAP) 的显著提高,mAP@0.5得分在MS-COCO上为0.476,在汽车GEN1.0上为0.591.
- 证明了SNN中BIF神经元模型在对象检测任务中的有效性.
结论:
- 这项研究首次将可二元集成和发射神经元应用于对象检测.
- 新型转换方法成功地减少了时间步骤,并改善了SNNs中的mAP用于对象检测.
- 这些发现代表了SNNs及其在计算机视觉中的实际应用领域的重大进展.


