图像成像中的尖端神经网络:一项审查和案例研究
Michael Voudaskas1,2, Jack Iain MacLean1, Neale A W Dutton2
1Institute for Integrated Micro and Nano Systems, The University of Edinburgh, Edinburgh EH9 3BF, UK.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
尖端神经网络 (SNN) 显示了节能成像的潜力,但在数据集,培训和硬件集成方面面临着挑战. 未来的工作需要基准和更广泛的应用程序的硬件意识培训.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 神经科学是一个神经科学.
背景情况:
- 尖端神经网络 (SNN) 提供节能,事件驱动的计算.
- 在各种成像应用中正在探索SNNs.
研究的目的:
- 审查SNNs在成像中的当前状态.
- 确定SNN在成像中的关键挑战和未来方向.
主要方法:
- 结构化的文献调查.
- 数据集,培训策略,硬件和应用程序的比较元分析.
- 在直接的飞行时间 (dToF) 成像中基于LMU的深度估计的案例研究.
主要成果:
- 通过小数据集,低效的ANN-SNN转换和基于模拟的评估,SNN的进展受到限制.
- 精度-效率的权衡,延迟瓶和传感器硬件集成是关键问题.
- 目前的应用程序集中在狭的分类任务.
结论:
- 制定标准化的基准是至关重要的.
- 需要硬件意识的培训方法来提高性能.
- 扩大应用领域和促进生态系统发展对于成像中的SNNs至关重要.
