公开(公告)号：CN114998659A

公开(公告)日：2022-09-02

申请号：CN202210694741.9

申请日：2022-06-17

Applicant: 北京大学 ,  人工智能与数字经济广东省实验室(广州)

Inventor： 林宙辰 ,  肖命清 ,  孟庆晏 ,  张宗鹏 ,  贺笛

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公布了一种随时间在线训练脉冲神经网络模型的图像数据分类方法，构建脉冲神经网络模型并设计随时间在线方法训练模型；再利用训练好的模型对图像数据进行分类和识别，有效提升图像数据的分类和识别性能；其中图像数据包括计算机图像数据和神经形态的图像视觉数据。通过本发明提供的方法，可以在训练脉冲神经网络SNN模型时，极大地减小训练内存的开销，将训练得到的模型用于计算机图像数据和神经形态图像视觉数据的分类与识别等视觉任务，能够提高分类与识别性能、降低识别系统的处理延迟，能实现高效节能的图像视觉数据分类与识别系统。

公开(公告)号：CN113449864B

公开(公告)日：2023-08-25

申请号：CN202110827709.9

申请日：2021-07-21

Applicant: 北京大学

Inventor： 林宙辰 ,  肖命清 ,  孟庆晏 ,  张宗鹏 ,  王奕森

IPC: G06N3/084 ,  G06N3/049 ,  G06N3/0464 ,  G06N3/048 ,  G06V10/82 ,  G06V10/764

Abstract: 本发明公布了一种用于图像数据分类的反馈型脉冲神经网络模型训练方法，构建反馈型脉冲神经网络模型并通过均衡态的隐式微分对模型进行训练，包括基于整合激活模型IF和泄漏整合激活模型LIF两种脉冲神经元模型、以及单隐层和多隐层两种神经网络结构的反馈型脉冲神经网络模型，采用重参数化方法对反馈连接权重的谱范数进行约束，采用改进方法进行批归一化；本发明能够避免脉冲神经网络模型常见的训练困难问题，用于高性能且高效节能地进行计算机图像数据与神经形态图像视觉数据的分类处理，能够以更少的神经元数量、更小的参数量、和更少的时间步长取得更高的分类正确率。

公开(公告)号：CN114998659B

公开(公告)日：2024-05-24

申请号：CN202210694741.9

申请日：2022-06-17

Applicant: 北京大学 ,  人工智能与数字经济广东省实验室(广州)

Inventor： 林宙辰 ,  肖命清 ,  孟庆晏 ,  张宗鹏 ,  贺笛

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/049 ,  G06N3/084

Abstract: 本发明公布了一种随时间在线训练脉冲神经网络模型的图像数据分类方法，构建脉冲神经网络模型并设计随时间在线方法训练模型；再利用训练好的模型对图像数据进行分类和识别，有效提升图像数据的分类和识别性能；其中图像数据包括计算机图像数据和神经形态的图像视觉数据。通过本发明提供的方法，可以在训练脉冲神经网络SNN模型时，极大地减小训练内存的开销，将训练得到的模型用于计算机图像数据和神经形态图像视觉数据的分类与识别等视觉任务，能够提高分类与识别性能、降低识别系统的处理延迟，能实现高效节能的图像视觉数据分类与识别系统。

公开(公告)号：CN113449864A

公开(公告)日：2021-09-28

申请号：CN202110827709.9

申请日：2021-07-21

Applicant: 北京大学

Inventor： 林宙辰 ,  肖命清 ,  孟庆晏 ,  张宗鹏 ,  王奕森

IPC: G06N3/08 ,  G06N3/04 ,  G06K9/62

Abstract: 本发明公布了一种用于图像数据分类的反馈型脉冲神经网络模型训练方法，构建反馈型脉冲神经网络模型并通过均衡态的隐式微分对模型进行训练，包括基于整合激活模型IF和泄露整合激活模型LIF两种脉冲神经元模型、以及单隐层和多隐层两种神经网络结构的反馈型脉冲神经网络模型，采用重参数化方法对反馈连接权重的谱范数进行约束，采用改进方法进行批归一化；本发明能够避免脉冲神经网络模型常见的训练困难问题，用于高性能且高效节能地进行计算机图像数据与神经形态图像视觉数据的分类处理，能够以更少的神经元数量、更小的参数量、和更少的时间步长取得更高的分类正确率。