利用生物学上可行的脉冲延迟编码和胜者通吃抑制的高效多尺度视觉对象表示
摘要：深度神经网络在物体识别等关键视觉挑战中超过了人类的表现，但需要大量的能量、计算和存储。相比之下，尖峰神经网络（SNNs）有潜力提高物体识别系统的效率和生物可行性。在这里，我们提出了一个使用尖峰延迟编码和选胜抑制（WTA-I）来高效表示视觉刺激的SNN模型，通过多尺度并行处理。模仿早期视觉皮层的神经元响应特性，图像经过三个不同的空间频率（SF）通道进行预处理，然后馈送到一层具有由尖峰时间依赖可塑性（STDP）更新的突触权重的尖峰神经元。我们研究在不同的SF频段和WTA-I方案下所表示对象的质量如何变化。我们证明，一个调整到三个SF的200个尖峰神经元网络可以有效地表示具有每个神经元仅15个尖峰的对象。研究在SNNs中如何使用生物可行的学习规则来实现核心对象识别，不仅可以进一步加深我们对大脑的理解，还可以引导出新颖且高效的人工视觉系统。
作者：Melani Sanchez-Garcia, Tushar Chauhan, Benoit R. Cottereau, Michael Beyeler
论文ID：2212.00081
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-12-02