©PaperWeekly 原创 · 作者 | 李国齐课题组
单位 | 中国科学院自动化研究所
研究方向 | 类脑计算
论文地址:
https://arxiv.org/abs/2307.11411
代码地址:
https://github.com/BICLab/EMS-YOLO
脉冲神经网络(Spiking neural networks,SNNs)是一种受到大脑启发且具有能耗高效性的神经网络模型,通过将信息编码在时空动力学中,实现高效计算和信号处理。迄今为止,基于直接训练的 SNN 在分类任务中展现出良好的性能,同时仅需很少的时间步。然而,如何设计一个直接训练的 SNN 来处理目标检测这样的回归任务仍然是一个具有挑战性的问题。
为了解决这个问题,我们提出了 EMS-YOLO,一个创新性的直接训练 SNN 的目标检测框架。与传统的 ANN-SNN 转换策略不同,我们首次尝试使用替代梯度来训练深度 SNN 进行目标检测任务。具体而言,我们设计了一个全脉冲的残差模块,EMS-ResNet,它能够有效地扩展直接训练 SNN 的深度,同时具有能耗高效性。
基于动态等距理论,我们证明了提出的模块可以避免梯度消失。实验结果表面,我们的方法仅需 4 个时间步就可以达到和同结构 ANN 网络相当性能,且节省了 5.83 × 的功耗。
背景
目标检测这一回归任务当前的解决方案,基本上都是基于 ANN 的框架。然而,ANN 虽然具有着高精度,但是带来了高计算复杂度和能耗。脉冲神经网络作为第三代神经网络,通过二值(0-1)脉冲信号来传递信息,可以减少信号传输和存储开销。另外,脉冲神经网络具有异步计算和事件驱动特性,且可以部署到神经形态芯片上,展示出强大的能耗高效性。然而,当前基于 SNN 的解决方案大都是转换 ANN 的方法,这需要几百上千的时间步 [1] 来模拟,且不适合于处理稀疏的