spiking neural network
PulseAugur coverage of spiking neural network — every cluster mentioning spiking neural network across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
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）。
-
RainDancer 框架融合 RGB 和事件相机数据以实现高级视频去雨
研究人员开发了 RainDancer，一个结合 RGB 和事件相机数据的视频去雨新框架。该方法采用“先分解后交互”策略，在融合前分离每个数据流中的雨滴和背景成分。RGB 分支逐步分解帧特征，而事件分支则采用面向雨滴的脉冲神经网络来捕捉雨滴动力学。该方法旨在提高去雨视频的质量和鲁棒性，以用于下游感知任务。
-
新型攻击针对事件驱动型SNN，延迟增加38%
研究人员开发了一种名为事件突发触发器（EBT）的新型可用性后门攻击，专门针对用于目标检测的事件驱动型脉冲神经网络（SNN）。该攻击将触发器注入训练数据中，在推理过程中导致时间上集中的事件流，显著增加了非极大值抑制（NMS）等后处理阶段的计算负载。虽然EBT在很大程度上保持了检测精度，但可能将NMS延迟最多增加38%，从而可能成为瓶颈。该攻击还会微妙地提高边缘平台的资源利用率，而不会出现明显的峰值，并且STRIP等标准检测方法难以识别它。
-
脉冲神经网络（Burst Spiking Neural Networks）提升准确性和鲁棒性
研究人员引入了脉冲神经网络（Burst Spiking Neural Networks, BuSNNs），以提高脉冲神经网络（SNNs）的准确性和鲁棒性，目标是使其成为人工神经网络（ANNs）可行的低功耗替代品。提出的BuSNNs利用增强脉冲的神经元（Burst-enhanced Spiking Neurons, BSNs）实现分级脉冲模式，并通过动态权重约束（Dynamic Weight Constraint, DWC）机制来减轻对…
-
Spiking Neural Network Achieves In-Context Learning with Single Layer
研究人员开发了一种新颖的单层脉冲神经网络架构 DendriCL，该架构展示了上下文学习 (ICL) 能力。与依赖深度架构和隐式梯度下降的现有 AI 模型不同，DendriCL 利用单个树突室的亚阈值动力学来实现在线学习算法。这种方法使网络能够在不需要注意力机制、架构深度或推理时可塑性的情况下实现 ICL，并且在传统模型 falter 的基准测试中表现稳定。
-
神经形态EMRFormer在调制识别方面实现90%的能耗降低
研究人员开发了EMRFormer，这是一种新颖的脉冲神经网络（SNN）架构，专为资源受限的神经形态硬件上的端到端自动调制识别（AMR）而设计。该架构集成了脉冲驱动的Transformer与自适应脉冲编码和整数泄漏积分-发放（Leaky Integrate-and-Fire）神经元，以提高信息保持能力和表征能力。EMRFormer还集成了脉冲可分离卷积神经网络（CNN），用于从原始IQ波形中提取多尺度时间特征，在实现最先进的准确率的同时…
-
新型脉冲神经网络架构增强语音处理能力
研究人员开发了一种新颖的双分支脉冲神经网络架构，称为 GSU-DBNet，旨在增强语音处理。该架构利用门控脉冲单元 (GSU) 同时模拟语音的幅度和复数频谱，并预测相应的频谱掩码。实验表明，GSU-DBNet 在参数量远少于可比的 ANN 模型的情况下，实现了更高的 PESQ 分数，表明其能效和性能均有所提高。
-
脉冲神经网络：人工智能的第三代
脉冲神经网络（SNNs）代表了第三代神经网络技术，与传统的深度学习模型不同。与连续激活不同，SNNs 在时间上利用离散脉冲，这些脉冲的定时携带信息。这种事件驱动的稀疏脉冲机制有望在神经形态芯片上实现显著降低的功耗，使其具有高能效。然而，训练这些不可微分的脉冲仍然是一个关键挑战，与传统网络的准确性差距仍在解决中。
-
神经形态强化学习框架大幅降低RMFS能耗和延迟
研究人员开发了SDQN-RMFS，一个用于机器人移动履行系统（RMFS）高效路径规划的新型框架。该系统将强化学习训练的人工神经网络转换为脉冲神经网络，从而在神经形态芯片上实现超低功耗运行。硬件实验表明，与GPU基线相比，能耗显著节省高达11,281倍，延迟降低两倍，同时保持了策略性能。
-
撤回的论文揭示了AI模型中依赖于底层的对抗性故障
一篇已被撤回的研究论文探讨了物体检测器中的对抗性鲁棒性，特别关注一种被称为“质量损坏”（QC）的现象。研究观察到，其中一个模型EMS-YOLO（一种脉冲神经网络）在遭受对抗性攻击时，尽管准确率崩溃，但仍保留了高比例的检测结果。这种被称为QC的行为被发现是依赖于底层的，仅出现在四种测试的SNN架构中的一种，并且证明能抵抗标准的防御机制。
-
神经形态触发器提升音频事件检测效率
研究人员开发了一种新颖的神经形态触发器，利用脉冲神经网络（SNN），旨在高效处理连续音频流以用于实时应用。这种低成本的前端能够识别显著的音频片段，并将其转发给计算密集型模型以执行分类等任务。该系统在音频事件检测任务上表现出色，在异常声音检测方面取得了高F1分数，并显著降低了声音事件检测的计算成本。