Binary Neural Networks
PulseAugur coverage of Binary Neural Networks — every cluster mentioning Binary Neural Networks across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新工具包优化RRAM交叉阵列上的神经网络推理
研究人员开发了CIM-Explorer，一个旨在优化二元和三元神经网络（BNN和TNN）在阻变随机存取存储器（RRAM）交叉阵列上运行时性能的新工具包。该工具通过提供端到端的编译器堆栈、多种映射选项和用于设计空间探索（DSE）的模拟器，解决了现有软件的局限性。CIM-Explorer旨在协助整个设计过程，从早期精度估算到为最终的RRAM芯片编译网络，并可在GitHub上获取。
-
新的StoMPP方法改进了二值神经网络的训练
研究人员推出了一种新颖的二值神经网络（BNN）训练方法StoMPP（Stochastic Masked Partial Progressive Binarization，随机掩码部分渐进式二值化），该方法避免了在使用直通估计器（STE）时通常会遇到的更深层网络精度下降问题。StoMPP从输入到输出逐渐二值化网络层，在ResNet-50、MobileNetV2和BERT等各种架构中提供了显著的精度提升，即使在不使用STE的情况下也是如此…
-
新的BiLoc框架使用1比特激光雷达实现高效自主定位
研究人员开发了BiLoc，一个新颖的二值神经网络框架，用于6-DoF激光雷达定位，旨在为自主系统提供计算效率。该方法通过信息瓶颈原理重新解释了BNN训练，以保留姿态估计的关键表示，同时最大限度地减少信息损失。引入了一个辅助目标来适应性地调节信息保留，补偿二值化和梯度不匹配的固有局限性。在大规模激光雷达数据集上的实验表明，BiLoc在基于BNN的激光雷达定位方面取得了最先进的性能。
-
新的HTAF激活函数可实现二值神经网络的稳定训练
研究人员开发了一种名为重尾激活函数（HTAF）的新激活函数，以应对训练具有二值化表示的神经网络所面临的挑战。HTAF是单位阶跃函数的平滑近似，旨在保持较大的梯度质量以实现稳定的优化。该新函数能够使用基于梯度的优化方法稳定地训练各种类型的神经网络，包括脉冲神经网络（Spiking Neural Networks）和二值神经网络（Binary Neural Networks）。研究人员还引入了隐式概念瓶颈模型（ICBMs），该模型利用HT…