摘要
论文提出了一种将ANN网络转换成SNN的算法,并证明了该算法在复杂视觉识别问题(如cifar-10和ImageNet)中的有效性。
介绍
将ANN直接转换成SNN时,在SNN上的性能远低于ANN,这是因为应为SNN中拥有处理时序信息的能力,这点与ANN有很大的区别
相关工作
略
主要贡献
1、针对ANN转SNN,提出几个ANN结构的约束。
2、提出ANN转SNN的normalization方法
3、提出一种可以用在SNN的残差结构块
准备工作
1、用频率编码的方式产生脉冲(泊松脉冲),论文中time-step为2500。
2、在ANN采用ReLU函数,在SNN使用IF模型
3、明确在ANN转SNN的关键在于调整SNN的阈值与突触权重。太高的阈值需要更长的时间才能产生一个脉冲,阈值太小就难以区分输入的差距。
ANN结构约束
1、不设置bias,因为bias在SNN中会增大阈值参数调整的难度,由于没有bias,所以BN也用不了,所以在ANN用drop out来替代BN。
2、使用average pool
深度卷积SNN体系结构:VGG
之前就有人提出“Data-Based Normalization”,具有实现方式有两种:“weight-normalization”和“threshold-normalization”,他们最终的目的是一致的,只是实现过程不同。<