spiking neural network
PulseAugur coverage of spiking neural network — every cluster mentioning spiking neural network across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
脉冲神经网络框架在光流估计方面达到最先进水平
研究人员开发了SICAF，一种使用脉冲神经网络进行自监督事件驱动光流估计的新型框架。该方法解决了从不规则事件流中提取时空特征以及防止潜在表示中的冗余等挑战。SICAF采用“紧凑压缩、时变焦点”策略，并结合可学习的时间注意力来增强特征选择性和上下文感知能力。实验表明，SICAF在自监督SNN方面取得了最先进的性能，在准确性和对抗攻击的鲁棒性方面均有显著提高。
-
脉冲神经网络在自动驾驶中实现高精度和低能耗
研究人员开发了SDPAD，一种用于端到端自动驾驶的新型流水线，它利用脉冲神经网络（SNN）以显著降低的能耗实现高精度。该方法将预训练的人工神经网络（ANN）感知模型转换为脉冲驱动格式，从而实现高效处理。SDPAD在nuScenes和NAVSIM等基准测试中展示了与强大的ANN规划器相当的性能，同时能耗却不到2%，使其成为边缘部署的有前途的解决方案。
-
新型脉冲神经网络增强遥感图像去雾效果
研究人员开发了一种名为EM-SNN的新型脉冲神经网络（SNN），旨在改进从遥感图像中去除雾霾的过程。传统的SNN在处理雾霾造成的细节丢失方面存在困难，而EM-SNN通过使用自适应神经元模型和特定的调制模块来增强结构信息，从而解决了这一问题。这一新框架不仅提高了图像质量，还保持了SNN的能效特性，与同类人工神经网络（ANN）方法相比，功耗显著降低。
-
神经形态PRNGs实现低功耗和高质量
研究人员开发了一种新颖的神经形态伪随机数生成器（NPRNG），它利用大脑高效生成不可预测序列的能力。这种新的NPRNG基于平衡脉冲神经网络模型，使用泄漏积分发放神经元，专为低功耗硬件实现而设计。在FPGA上实现的原型，在消耗仅3.24 mW的同时，以120kbps的速度展示了高质量的随机数生成。
-
BLADE框架优化混合SNN-ANN以实现可靠的边缘AI目标检测
研究人员开发了BLADE，一种用于选择事件驱动目标检测中脉冲神经网络（SNN）和人工神经网络（ANN）之间边界的新颖方法。与以往仅关注准确性和能耗的方法不同，BLADE动态优化此边界以及ANN早期退出配置，同时考虑可靠性、检测准确性、执行时间和能耗。该框架通过统计故障注入来整合可靠性分析，识别出浮点指数位等关键组件，这些组件在受到保护时可以消除灾难性故障。该方法旨在实现更可靠的混合SNN-ANN系统在安全关键型边缘AI应用中的部署。
-
AI模型在扑翼飞行器扑翼计数方面的比较
研究人员使用光流数据，评估了三种类型的时间模型——卷积、脉冲和基于注意力——在扑翼飞行器中计数扑翼次数的性能。该研究在MuJoCo模拟环境中，使用虚拟Crazyflie飞行器进行，并在不同距离下比较了模型的性能。虽然所有模型在扑翼计数方面都表现出高精度，但由于训练和鲁棒性的差异，结果并未确立不同架构之间的明确排名。
-
新研究探索基于最近邻的矩阵补全方法 · 跟踪 2 篇论文
两篇新研究论文介绍了矩阵补全的新方法，这是一种用于填充缺失数据点的技术。第一篇论文《N$^2$：一种基于最近邻的矩阵补全的统一 Python 包和测试平台》提出了一个 Python 包，旨在简化基于最近邻 (NN) 方法的实验和基准测试。该包包含一种新的 NN 变体，在真实数据集上取得了最先进的结果，在实际场景中优于经典方法。第二篇论文《合成最近邻：将合成对照扩展到缺失非随机数据的矩阵补全》提出了一种用于矩阵补全的因果框架，该框架能更…
-
NeuroFlex 实现无损的逐元素人工神经网络-脉冲神经网络协同执行，用于高效稀疏推理
研究人员开发了 NeuroFlex，一种新颖的加速器设计，它允许在逐元素级别上协同执行人工神经网络（ANN）和脉冲神经网络（SNN）。这种方法使得每个输出元素都可以独立地分配给 ANN 或 SNN 执行，消除了准确性损失并显著提高了处理效率。与现有的仅 ANN 或仅 SNN 基线相比，NeuroFlex 在各种工作负载中实现了高 PE 利用率，并显著降低了能耗延迟积并增加了加速。
-
混合SNN-XGBoost架构提升网络物理系统弹性
研究人员开发了一种新颖的混合脉冲神经网络（SNN）和XGBoost架构，旨在增强工业网络物理分类系统在机器学习遗忘攻击下的鲁棒性。该方法使用预训练的SNN作为固定的特征提取器，只有XGBoost分类器进行再训练，从而提高了对选择性数据删除的弹性。在真实电力系统数据集上进行评估，该混合模型取得了高精度，优于独立方法，并证明了对数据投毒攻击的显著抵抗力。
-
新型梯度穿隧算法解决神经网络微环路反馈学习问题
研究人员开发了一种新颖的梯度穿隧（GT）算法，以解决神经网络微环路（NMCs）中的时间信用分配挑战。该新框架利用了超前滞后展开技术，从局部突触脉冲时序中获得学习信用，为大脑的学习机制提供了生物学上可信的解释。GT算法实现了NMCs的在线反馈学习框架，在长时程证据整合和记忆保持方面表现优于现有方法，同时使用的参数更少。该方法也兼容混合人工神经网络（ANN）和脉冲神经网络（SNN）架构。
-
新型模拟器RT-NuSIS模拟神经形态频谱智能
研究人员开发了一款名为RT-NuSIS的新型模拟器，旨在研究脉冲神经网络（SNN）和受忆阻器启发的代理。该框架专注于在包括能源有限和对抗性攻击在内的挑战性条件下进行动态频谱接入。RT-NuSIS集成了多种模型，用于神经元动力学、突触行为、能量收集和对手模拟，为大规模、事件驱动的模拟提供了一个强大的平台。
-
新框架为近地轨道卫星实现高效板载云层去除
研究人员开发了 ORBITALIF，一个新颖的联邦学习框架，专为卫星图像的高效板载云层去除而设计。该系统利用具有自适应门控融合和光谱-空间混合注意力模块的紧凑型脉冲神经网络（SNN）。通过直接在近地轨道卫星上进行训练和推理，并通过星间链路共享模型权重，ORBITALIF 与传统的地面处理相比，显著降低了延迟、带宽需求和能耗。
-
E-S2Feat框架增强事件基局部特征检测
研究人员开发了E-S2Feat，一个新颖的脉冲神经网络框架，专为事件基局部特征检测和描述而设计。该方法通过使用脉冲激活机制实现节能推理来增强特征表示，并通过结合语义先验来优化关键点响应，从而改进特征选择。实验表明，E-S2Feat在姿态估计精度方面优于SuperEvent等现有方法，并且与人工神经网络相比，在计算能效方面有显著提高。
-
新的 arXiv 论文探讨神经网络计算与学习之间的断开
两篇新的 arXiv 论文探讨了神经计算的动力学，重点关注复杂的前向计算与更简单的学习机制之间的分歧。第一篇论文引入了一个“生成-事实图”来统一训练、学习和推理，并展示了一个使用 nanoGPT 和 ResNet 在保留运行中具有高准确率的预测模型。第二篇论文识别出一种“前向-后向断开”，指出虽然神经网络中的前向计算已高度多样化，但学习方法在很大程度上仍围绕反向传播及其变体。两篇论文都表明需要更好地协调这些方面，以实现更具生物学基础和…
-
新方法提高ANN-SNN转换精度和速度
研究人员开发了一种新方法，以提高人工神经网络（ANN）到脉冲神经网络（SNN）的转换精度，解决了准确率下降和推理延迟的问题。所提出的策略包括动态初始电位调整和特征增强，包括用于适应初始电位和减轻截断偏差的正则化损失。此外，还引入了一个专门的竞争性细化层来锐化特征辨别能力并稳定编码，从而在CIFAR-10、CIFAR-100和ImageNet等数据集上实现了显著的准确率提升，且计算开销极小。
-
SpikeRestormer：使用脉冲神经网络实现节能型图像复原的AI
研究人员开发了SpikeRestormer，这是一种新颖的脉冲神经网络（SNN），专为节能型一体化图像复原（AiOIR）而设计。用于AiOIR的传统人工神经网络（ANN）方法计算成本高昂，限制了其在实时应用中的使用。SpikeRestormer通过使用内部生成的脉冲线索进行事件推理来解决此问题，并采用诸如减法退化事件注意力（SDEA）和分层贝叶斯跳跃掩码（HBSM）等技术来提取和推断退化事件。该模型在对抗基于ANN的方法方面取得了有竞…
-
Mineng Technology secures funding for brain-like SNN chips in medical devices
Mineng Technology has secured tens of millions in funding to advance its self-developed Spiking Neural Network (SNN) chips, designed to serve as the core processing unit for medical devices. These chips mimic the brain'…
-
受生物启发的Transformer增强高动态范围图像重建
研究人员开发了Bio-SFT，这是一种新颖的受生物启发的脉冲频率Transformer，用于从标准动态范围输入重建高动态范围（HDR）图像。该系统融合了三个关键的生物机制：用于照明稳定的Naka-Rushton视网膜适应前端，用于结构引导的Parvo-Magno分裂，以及用于抑制暗区噪声的事件驱动脉冲神经网络（SNN）。这种方法旨在减少视觉伪影和颜色失真，在HDRTV1K数据集上展示了具有竞争力的感知质量和改进的指标。
-
神经形态处理器实现高能效物体姿态估计
研究人员开发了一种新颖的鲁棒透视n点（PnP）公式，可在神经形态处理器上执行，从而提高机器人感知中物体姿态估计的能效。该方法通过从易受离群值影响的2D-3D对应关系中确定具有最多内点的物体姿态。此外，还设计了一个脉冲神经网络（SNN）来从事件数据中预测2D地标，从而实现对物体姿态估计流程的更完整的神经形态处理。在Intel Loihi 2硬件上进行的测试证明了其具有竞争力的准确性和卓越的能效。
-
通过量化和剪枝提高脑电图癫痫检测模型的效率
研究人员开发了使深度神经网络更有效地从脑电图数据中检测癫痫发作的方法。他们探索了将卷积神经网络（CNN）转换为脉冲神经网络、剪枝脑电图通道以及使用INT8量化。这些技术将模型大小减少了高达73%，并将推理速度提高了2.8倍，同时保持或略微提高了癫痫检测的曲线下面积（AUC）。