5. 论文笔记
论文笔记
de一颗小白菜
这个作者很懒,什么都没留下…
展开
-
Unsupervised learning of digit recognition using spike-timing-dependent plasticity
2.Methods为了模拟我们的SNN,我们使用了Python和BRIAN模拟器。在这里,我们描述单个神经元和单个突触的动力学,然后描述网络体系结构和使用的机制,最后我们解释MNIST的训练和分类过程。2.1 神经元和突触模型为了建模沈金元动力学模型,我们选择LIF模型。其膜电位V描述如下::静息膜电位:兴奋性突触的平衡电位:抑制性突触的平衡电位:兴奋性突触的电导:抑制性突触的电导:时间常数正如在生物学中观察到的,我们使用时间常数τ,对于兴奋性神经元而言,其.原创 2020-09-27 08:58:28 · 2331 阅读 · 13 评论 -
Real-World Super-Resolution via Kernel Estimation and Noise Injection ---2020.08.10
介绍:2020 cvpr real world SR challenge NO.1内容:论文翻译+实验细节摘要: 不管blur和noise如何,最新的超分辨率方法在理想数据集上均具有出色的性能。但是,这些方法在现实世界中的图像超分辨率中始终会失败,因为它们大多数都从高质量图像采用简单的bicubic降采样来构造低分辨率(LR)和高分辨率(HR)对进行训练,这可能会丢失与频率相关的轨迹细节。为了解决这个问题,我们专注于通过估计各种模糊内核以及真实的噪声分布,为现实世界的图像设...原创 2020-08-10 10:32:14 · 1861 阅读 · 0 评论 -
sPyNNaker: A Software Package for Running PyNN Simulations on SpiNNaker
摘要:这项工作介绍了sPyNNaker 4.0.0,这是用于在SpiNNaker神经形态平台上模拟PyNN定义的尖刺神经网络(SNN)的软件包的最新版本。提出了支持实时SNN执行的操作,包括一个基于事件的操作系统,该系统有助于高效的时间驱动神经元状态更新和pipelined event-driven spike processing。 讨论了预处理,实时执行和神经元/突触模型的实现,所有这些都在一个简单的示例SNN的上下文中进行。 演示了仿真结果以及性能分析,可深入了解软件如何与底层硬件交互以实原创 2020-06-30 14:10:57 · 532 阅读 · 0 评论 -
Feedback Network for Image Super-Resolution(SRFBN)---翻译
attention :只详细翻译了重点部分摘要图像超分辨率(SR)的最新进展展现了深度学习的力量,可以实现更好的重建性能。然而,现有的基于深度学习的图像SR方法尚未充分利用人类视觉系统中常见的反馈机制。在本文中,我们提出了一个图像超分辨率反馈网络(SRFBN)来改进具有高级信息的低级表示。具体而言,我们在具有约束的RNN中使用隐藏状态来实现这种反馈方式。反馈模块旨在处理反馈连接并生成强大的高级...翻译 2019-04-14 12:56:23 · 1795 阅读 · 0 评论