基于DT-LIF神经元与SSD的脉冲神经网络目标检测方法

摘要：

相对于传统人工神经网络(ANN),脉冲神经网络(SNN)具有生物可解释性、计算效率高等优势.然而,对于目标检测任务,SNN存在训练难度大、精度低等问题.针对上述问题,该文提出一种基于动态阈值LIF神经元(DT-LIF)与单镜头多盒检测器(SSD)的SNN目标检测方法.首先,设计了一种DT-LIF神经元模型,该模型可根据累积的膜电位动态调整神经元的阈值,以驱动深层网络的脉冲活动,提高推理速度.同时,以DT-LIF神经元为基元,构建了一种基于SSD的混合SNN.该网络以脉冲视觉几何群网络(Spiking VGG)和脉冲密集连接卷积网络(Spiking DenseNet)为主干(Backbone),具有由批处理归一化(BN)层、脉冲卷积(SC)层与DT-LIF神经元构成的3个额外层和SSD预测框头(Head).实验结果表明,相对于LIF神经元网络,DT-LIF神经元网络在Prophesee GEN1数据集上的目标检测精度提高了25.2％.对比AsyNet算法,所提方法的目标检测精度提高了 17.9％.

关键词：计算机视觉、目标检测、脉冲神经网络、神经元

分类号：TN911.73;TP391.41

在线出版日期：2023-10-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2722-2730