研究人员开发了一种新颖的混合流水线，结合了人工神经网络（ANN）和脉冲神经网络（SNN）以提高性能。该方法利用预训练EfficientNet模型的嵌入，然后将其转换为用于CoLaNET SNN分类器的脉冲序列。SNN分类器使用受生物学启发的局部学习规则进行训练，避免了端到端梯度传播的需要。该方法在64类ImageNet基准测试中达到了99.09%的准确率，与传统深度网络的性能相当，并为将强大编码器应用于SNN任务提供了一个具有生物学合理性的框架。 AI
影响 这项研究提出了一种更具生物学合理性且更有效的方法，用于将强大的预训练模型应用于脉冲神经网络任务。
排序理由 该集群包含一篇详细介绍新模型架构和基准测试结果的学术论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.20151v1 Announce Type: cross Abstract: This work proposes a hybrid ANN-SNN pipeline that effectively leverages the rich embeddings of pretrained artificial neural networks (ANNs) to enable high-performance spiking neural networks (SNNs). The architecture couples a pret…
This work proposes a hybrid ANN-SNN pipeline that effectively leverages the rich embeddings of pretrained artificial neural networks (ANNs) to enable high-performance spiking neural networks (SNNs). The architecture couples a pretrained EfficientNet encoder with a CoLaNET spiking…