PulseAugur
中
实时 07:48:56
English(EN) Parameter-Efficient Fine-Tuning for Spiking Point Cloud Models

新框架支持脉冲神经网络点云的高效微调

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出 SpikePEFT，一个新颖的参数高效微调框架，专为用于点云分析的脉冲神经网络（SNN）设计。该方法解决了预训练 SNN 的传统完全微调所带来的高参数和存储开销问题。SpikePEFT 包含内在动力学调整，用于调整膜衰减和发放阈值，以及静默状态消歧适应，用于从静默状态恢复任务相关信息。实验表明，SpikePEFT 在 ModelNet40 和 ScanObjectNN 等基准测试中实现了高精度，同时仅更新约 5% 的可训练参数，并保持了 SNN 的能效。 AI

影响 能够为资源受限设备更有效地适配神经形态视觉模型。

排序理由 该条目是一篇学术论文，详细介绍了一种适应现有模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架支持脉冲神经网络点云的高效微调

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Zihao Guo, Jihua Zhu, Yiding Sun, Lin Chen, Danwei Wang ·

    面向脉冲点云模型的参数高效微调

    arXiv:2607.29048v1 Announce Type: new Abstract: Spiking Neural Networks (SNNs) offer energy-efficient solutions for point cloud analysis on resource-constrained devices through event-driven computation. However, existing pre-trained spiking point cloud models rely on full fine-tu…

相关实体

相关话题