CompSNN: A Lightweight Spiking Neural Network Based on Spatiotemporally Compressive Spike Features

文献阅读

一种轻量级的时空脉冲神经网络，基于时空脉冲压缩特征

dio:https://doi.org/10.1016/j.neucom.2020.10.100
摘要：
降低计算复杂度，对于SNN分类问题，依然是一个挑战。这篇文章提出一种有效的时空压缩脉冲特征，提出了一种轻量级的SNN框架，包含特征提取，我们的实验基于主流的数据集MNIST，SNN有潜力成为应用低能耗，或者资源有限边界计算系统和。。。
关键词：神经态计算，尖峰网络，SNN，

正文：

介绍

因为脉冲刺激在时域中是稀疏的，在网络中的神经元总是并行运算的，当脉冲到达的时候，这使得SNN计算和能耗上是高效的、
因为降低运算资源的需要，节省计算能量，提高运算于都，其他的作者[13~17]提出了轻量级别的SNN，基于一个比较浅层的网络结构。
一个典型的轻量级SNN包含三个主要部分：输入代码，特征学习和分类，抽取最重要的特征，分类特征使用权重从学习到的训练过程。
普通的编码方式包括时间编码和速率编码。时间编码将每一个刺激都转为脉冲的精确延时，但是对噪声敏感。为什么对噪声敏感呢？有人提出了一个三维的神经元方块，

在特征提取方面，大多数广泛应用的特征提取手段是监督的时间学习法则，和无监督的时空依赖可塑性法则。提出时空压缩脉冲特征是由压缩感知理论所启发的。[24~27]另外，我们提出了多脉冲时空编码框架，免疫更多的噪声信息，相对于单脉冲时间编码。
我们提出了轻量级的SNN框架ÿ