CSNN:基于Perceptron的增强型Spiking框架
结果表明,与其他认知模型相比,CSNN在神经元和训练样本明显较少的情况下表现良好。典型的snn在特征提取方面肯定有很大的劣势,因为它们只是由一个完全连接的层组成,上面有基于生物的神经元。一个完全连通的层无法检测和捕获与cnn深层结构不同的深层隐藏信息。
受生物大脑中视觉形成机制的启发,我们提出了一种基于大脑的基于感知器-感知的神经网络,名为CSNN,它由部分CNN和SNN组成。我们分别将它们命名为Perceptron和inception。感知器由CNN中的卷积层和池化层组成,而Inception是完全连接层的SNN。
类似于SNN是决策层,CNN是卷积层。
实验结果表明,CSNN不仅具有与现有认知模型相当的图像识别性能,而且在消噪方面具有泛化能力。
CSNN model
先是GC,后是CC。
3.1 感受滤波器,基于CNN
3.2 时域编码,对于SCNN
强刺激值可能会放电比较早,弱刺激可能放电比较晚,甚至不放电。脉冲的缺失是线性相关对于时间窗口。
x轴代表时间窗口,y轴代表脉冲放电时间。这个时空图可以将图像信息转化为稀疏的脉冲模式。
使用LIF神经元被驱动作为突触后膜电压。这些膜电压V是权重的总和,对于所有输入的秒冲,和核函数
K
(
t
−
t
i
)
K(t-t_i)
K(t−ti)