CSNN: An Augmented Spiking based Framework with Perceptron-Inception

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$K(t-t_i)$