論文の概要: SAR Image Classification Based on Spiking Neural Network through
Spike-Time Dependent Plasticity and Gradient Descent
- arxiv url: http://arxiv.org/abs/2106.08005v1
- Date: Tue, 15 Jun 2021 09:36:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 00:37:54.196592
- Title: SAR Image Classification Based on Spiking Neural Network through
Spike-Time Dependent Plasticity and Gradient Descent
- Title（参考訳）: スパイク時間依存塑性とグラディエントDescenceによるスパイクニューラルネットワークに基づくSAR画像分類
- Authors: Jiankun Chen, Xiaolan Qiu, Chibiao Ding, Yirong Wu
- Abstract要約: スパイキングニューラルネットワーク(SNN)は、脳のような知能のコアコンポーネントの1つである。
本稿では、教師なしおよび教師なし学習SNNに基づいて、完全なSAR画像を構築する。
- 参考スコア（独自算出の注目度）: 7.106664778883502
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: At present, the Synthetic Aperture Radar (SAR) image classification method
based on convolution neural network (CNN) has faced some problems such as poor
noise resistance and generalization ability. Spiking neural network (SNN) is
one of the core components of brain-like intelligence and has good application
prospects. This article constructs a complete SAR image classifier based on
unsupervised and supervised learning of SNN by using spike sequences with
complex spatio-temporal information. We firstly expound the spiking neuron
model, the receptive field of SNN, and the construction of spike sequence. Then
we put forward an unsupervised learning algorithm based on STDP and a
supervised learning algorithm based on gradient descent. The average
classification accuracy of single layer and bilayer unsupervised learning SNN
in three categories images on MSTAR dataset is 80.8\% and 85.1\%, respectively.
Furthermore, the convergent output spike sequences of unsupervised learning can
be used as teaching signals. Based on the TensorFlow framework, a single layer
supervised learning SNN is built from the bottom, and the classification
accuracy reaches 90.05\%. By comparing noise resistance and model parameters
between SNNs and CNNs, the effectiveness and outstanding advantages of SNN are
verified. Code to reproduce our experiments is available at
\url{https://github.com/Jiankun-chen/Supervised-SNN-with-GD}.
- Abstract（参考訳）: 現在,畳み込みニューラルネットワーク(cnn)に基づく合成開口レーダ(sar)画像分類手法は,ノイズ耐性の低下や一般化能力の低下といった問題に直面している。
スパイキングニューラルネットワーク(SNN)は、脳のような知能のコアコンポーネントの1つであり、優れた応用可能性を持っている。
本稿では、複雑な時空間情報を持つスパイクシーケンスを用いて、SNNの教師なしおよび教師なし学習に基づく完全なSAR画像分類器を構築する。
まず、スパイクニューロンモデル、SNNの受容野、スパイクシーケンスの構築について述べる。
次に,stdpに基づく教師なし学習アルゴリズムと,勾配降下に基づく教師なし学習アルゴリズムを提案する。
mstarデータセット上の3つのカテゴリ画像における単層学習と二層学習snの平均分類精度は、それぞれ80.8\%と85.1\%である。
さらに、教師なし学習の収束出力スパイクシーケンスを教示信号として使用することができる。
TensorFlowフレームワークに基づいて、下位から単一のレイヤで教師付き学習SNNを構築し、分類精度は90.05\%に達する。
ノイズ抵抗とモデルパラメータをSNNとCNNで比較することにより,SNNの有効性と利点を検証した。
実験を再現するコードは \url{https://github.com/Jiankun-chen/Supervised-SNN-with-GD} で公開されている。
関連論文リスト
- LC-TTFS: Towards Lossless Network Conversion for Spiking Neural Networks
with TTFS Coding [55.64533786293656]
我々は,AIタスクにおいて,ANNのアクティベーション値とSNNのスパイク時間とのほぼ完全なマッピングを実現することができることを示す。
この研究は、電力制約のあるエッジコンピューティングプラットフォームに超低消費電力のTTFSベースのSNNをデプロイする方法を舗装している。
論文 参考訳（メタデータ） (2023-10-23T14:26:16Z) - Graph Neural Networks Provably Benefit from Structural Information: A
Feature Learning Perspective [53.999128831324576]
グラフニューラルネットワーク(GNN)は、グラフ表現学習の先駆けとなった。
本研究では,特徴学習理論の文脈におけるグラフ畳み込みの役割について検討する。
論文 参考訳（メタデータ） (2023-06-24T10:21:11Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - RankDNN: Learning to Rank for Few-shot Learning [70.49494297554537]
本稿では、画像検索の関連性ランキングをバイナリランキング関係分類として活用する、新しい数ショット学習パイプラインを提案する。
これは、数ショットの学習に関する新しい視点を提供し、最先端の手法を補完する。
論文 参考訳（メタデータ） (2022-11-28T13:59:31Z) - Heterogeneous Recurrent Spiking Neural Network for Spatio-Temporal
Classification [13.521272923545409]
Spi Neural Networksは、人工知能の第3波の脳にインスパイアされた学習モデルとしてしばしば評価される。
本稿では,ビデオ認識タスクのための教師なし学習を用いたヘテロジニアススパイキングニューラルネットワーク(HRSNN)を提案する。
本研究では,時間的バックプロパゲーション訓練による教師付きSNNに類似した性能を実現することができるが,少ない計算量で実現可能であることを示す。
論文 参考訳（メタデータ） (2022-09-22T16:34:01Z) - Text Classification in Memristor-based Spiking Neural Networks [0.0]
IMDB映画レビューデータセットにおける感情分析タスクを実演するために,仮想記憶器アレイを用いたシミュレーションフレームワークを開発した。
トレーニング済みのANNをmmristorベースのSNNに変換し,84.86%をmemristorベースのSNNを直接トレーニングすることで,85.88%の分類精度を実現する。
また, スパイクトレイン長, リードノイズ, および重み更新停止条件などの大域的パラメータが, どちらのアプローチにおいてもニューラルネットワークに与える影響についても検討した。
論文 参考訳（メタデータ） (2022-07-27T18:08:31Z) - Training High-Performance Low-Latency Spiking Neural Networks by
Differentiation on Spike Representation [70.75043144299168]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。
非分化性のため、SNNを効率的に訓練することは困難である。
本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
論文 参考訳（メタデータ） (2022-05-01T12:44:49Z) - An STDP-Based Supervised Learning Algorithm for Spiking Neural Networks [20.309112286222238]
Spiking Neural Networks (SNN)は、より生物学的に可能な脳モデルを提供する。
本稿では,Leaky Integrate-and-fire ニューロンからなる階層型 SNN に対して,Spike-Timing Dependent Plasticity (STDP) に基づく教師付き学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-07T13:40:09Z) - Strengthening the Training of Convolutional Neural Networks By Using
Walsh Matrix [0.0]
分類性能を向上させるため,DNNのトレーニングと構造を変更した。
畳み込みニューラルネットワーク(CNN)の最後の層に続く最小距離ネットワーク(MDN)が分類器として使用される。
異なる領域では、ノード数が少ないDivFEを使用することでより高い分類性能が得られたことが観察されている。
論文 参考訳（メタデータ） (2021-03-31T18:06:11Z) - A Temporal Neural Network Architecture for Online Learning [0.6091702876917281]
時間的ニューラルネットワーク(TNN)は、相対スパイク時間として符号化された情報を通信し、処理する。
TNNアーキテクチャを提案し、概念実証として、オンライン教師付き分類のより大きな文脈でTNNの動作を示す。
論文 参考訳（メタデータ） (2020-11-27T17:15:29Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-02T15:38:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。