DVS Gesture
PulseAugur coverage of DVS Gesture — every cluster mentioning DVS Gesture across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的噪声群组神经元模型提升脉冲神经网络性能
研究人员引入了一种新颖的噪声群组神经元（NGN）模型，旨在提升脉冲神经网络（SNN）的性能。该模型整合了群体同步重置和神经随机性，以应对训练深度SNN时面临的挑战，例如时空信息丢失和梯度不匹配。NGN方法结合基于平均场动力学的反向传播学习，在CIFAR-10、CIFAR-100和Tiny-ImageNet等各种数据集上取得了显著改进，在10次推理步骤内，CIFAR10-DVS的准确率达到了87.35%。
-
新的噪声群组神经元方法提高了脉冲神经网络的性能
研究人员开发了一种名为噪声群组神经元（NGN）的新方法来改进脉冲神经网络（SNN）的训练。该方法通过引入群体同步重置和神经随机性，解决了时空信息丢失和梯度不匹配等挑战。NGN 方法结合反向传播学习，在 CIFAR10-DVS 数据集上，在 10 次推理时间步内达到了 87.35% 的准确率，显示出其在高性能神经形态计算方面的潜力。
-
新的开源框架助力SNN硬件设计与探索
一个新开发的开源框架，旨在辅助设计和探索用于节能神经形态计算的混合信号脉冲神经网络（SNN）。该框架构建于PyTorch之上，通过整合器件级非线性和支持多种神经元及突触模型，使研究人员能够模拟和优化SNN硬件。它已在标准基准测试上进行了评估，报告了分类准确性以及面积和功耗等面向硬件的指标。
-
新的开源框架助力SNN硬件设计探索
研究人员开发了一个开源框架，用于模拟和探索混合信号脉冲神经网络（SNN）的设计空间。该工具将器件级非线性直接集成到PyTorch中进行训练和推理，允许优化物理突触参数而非抽象权重。该框架支持多种神经元模型，包括Leaky Integrate-and-Fire、Hodgkin-Huxley和Axon-Hillock，以及非易失性模拟突触。它已在N-MNIST、DVS Gesture和Spiking Heidelberg Digits等基…