검색 기능은 준비 중입니다.
검색 기능은 준비 중입니다.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Combining Spiking Neural Networks with Artificial Neural Networks for Enhanced Image Classification 향상된 이미지 분류를 위해 스파이킹 신경망과 인공 신경망 결합

Naoya MURAMATSU, Hai-Tao YU, Tetsuji SATOH

  • 조회수

    0

  • 이것을 인용

요약 :

심층 신경망의 지속적인 혁신과 함께 생물학적 뇌 시냅스와 더욱 유사한 스파이킹 신경망(SNN)이 낮은 전력 소비로 인해 주목을 받고 있습니다. 인공 신경망(ANN)과 달리 연속 데이터 값의 경우 인코딩 프로세스를 사용하여 값을 스파이크 트레인으로 변환하여 SNN의 성능을 억제해야 합니다. 이러한 품질 저하를 방지하려면 들어오는 아날로그 신호를 인코딩 프로세스 이전에 조절해야 합니다. 이는 또한 생명체에서도 실현됩니다. 예를 들어 인간의 기저막은 기계적으로 푸리에 변환을 수행합니다. 이를 위해 ANN과 SNN을 결합하여 해당 성능을 향상시키는 ANN-to-SNN 하이브리드 신경망(HNN)을 구축합니다. 이러한 성능과 견고성을 검증하기 위해 훈련 및 인코딩 방법이 변경되는 다양한 분류 작업에 MNIST 및 CIFAR-10 이미지 데이터 세트가 사용됩니다. 또한, 인공 레이어와 스파이킹 레이어 각각의 인코딩 방식을 고려하여 동시 학습과 분리 학습 방법을 제시한다. 우리는 스파이킹 레이어를 희생하여 인공 레이어 수를 늘리면 HNN 성능이 향상된다는 것을 발견했습니다. MNIST와 같은 간단한 데이터 세트의 경우 중복 코딩 및 별도의 학습을 사용하여 ANN과 유사한 성능을 얻을 수 있습니다. 그러나 더 복잡한 작업의 경우 가우스 코딩과 동시 학습을 사용하면 HNN의 정확도를 향상시키는 동시에 전력 소비를 낮추는 것으로 나타났습니다.

발행
IEICE TRANSACTIONS on Information Vol.E106-D No.2 pp.252-261
발행일
2023/02/01
공개일
2022/11/07
온라인 ISSN
1745-1361
DOI
10.1587/transinf.2021EDP7237
원고의 종류
PAPER
범주
생물사이버네틱스, 신경컴퓨팅

작성자

Naoya MURAMATSU
  University of Cape Town
Hai-Tao YU
  University of Tsukuba
Tetsuji SATOH
  University of Tsukuba

키워드