基于神经元转换方法的混合卷积脉冲神经网络

摘要：

脉冲神经网络(Spiking Neural Network,SNN)有较强的生物可解释性,但因其训练算法尚不成熟而导致在复杂图像数据集上存在分类准确率不高、测试耗时过长等问题.针对上述问题,提出一种基于神经元转换方法的混合卷积脉冲神经网络,把卷积神经网络(Convolution Neural Network,CNN)的学习能力和特征提取能力应用于SNN.在CNN上完成训练过程后将权重映射到经过神经元转换的全连接层中,网络前期使用CNN以提取高层次图像特征信息,后期使用浅层的SNN进行分类以减少测试耗时.在3个数据集上和当前识别准确率最高的方法进行对比实验,在M NIST数据集上准确率和耗时基本持平,在cifar10数据集上准确率提升了1.32％,耗时减少了98.87％,在cifar100数据集上准确率提升了3.97％.

关键词：脉冲神经网络、卷积神经网络、图像分类、特征提取

所属期刊栏目：41

分类号：TP391(计算技术、计算机技术)

资助基金：国家国际科技合作专项基金;国家自然科学基金;浙江省科技计划

在线出版日期：2021-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：37-42