BriefGPT - AI 论文速递
·
面向高性能和能效的整数值训练与脉冲驱动推理脉动神经网络目标检测系统
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本研究提出了两种新方法，逐通道归一化和具有不平衡阈值的有符号神经元，以提高脉冲神经网络在目标检测中的性能。实现了Spiking-YOLO模型，结果表现可与Tiny YOLO相媲美，且能耗极低。
🎯
关键要点
- 本研究旨在研究脉冲神经网络在目标检测中的性能衰退。
- 提出了两种新方法：逐通道归一化和具有不平衡阈值的有符号神经元。
- 新方法旨在提高深度 SNN 的信息传输速度和准确性。
- 实现了基于脉冲的目标检测模型 Spiking-YOLO。
- Spiking-YOLO 的结果表现可与 Tiny YOLO 比肩。
- Spiking-YOLO 在神经形态芯片上的能耗极低。
- Spiking-YOLO 的转换速度比以前的 SNN 转换方法更快。
➡️
